Riesgo oculto en la empresa híbrida
El crecimiento de la computación en la nube, la adopción de SaaS, el trabajo remoto y la compra descentralizada han hecho que el patrimonio tecnológico sea más dinámico y más difícil de gobernar.
Los dispositivos se conectan desde fuera de los límites tradicionales de la red. Las aplicaciones son adquiridas por las unidades de negocio. Los recursos en la nube pueden aparecer o desaparecer rápidamente. Los empleados introducen nuevos servicios para resolver problemas empresariales inmediatos. La información operativa queda distribuida entre herramientas gestionadas por TI, Seguridad, Finanzas, Compras y líneas de negocio individuales.
La IA también está ampliando el panorama de las ciberamenazas, reduciendo las barreras de entrada y permitiendo a los atacantes escalar tácticas conocidas con mayor velocidad, alcance y sofisticación. En la encuesta de Gartner de 2025 a 302 responsables de ciberseguridad, el 62 % afirmó que sus organizaciones habían sufrido un ataque de deepfake relacionado con ingeniería social o explotación de procesos automatizados.
Al mismo tiempo, las organizaciones avanzan con rapidez para incorporar la inteligencia artificial al trabajo diario. La IA puede ayudar a los equipos a investigar problemas, analizar grandes volúmenes de información, elaborar informes, recomendar acciones y coordinar flujos de trabajo. Sin embargo, la confianza en la información que respalda estas iniciativas no ha avanzado al mismo ritmo que la ambición de desplegarlas.
La investigación de 2025 Outlook: Data Integrity Trends and Insights, realizada por Precisely y la Universidad Drexel, ilustra la magnitud del desafío. Solo el 12 % de las organizaciones encuestadas afirmó que sus datos tenían la calidad y accesibilidad suficientes para una implementación eficaz de la IA. Dos tercios (67 %) no confiaban plenamente en los datos utilizados para la toma de decisiones, mientras que el 62 % identificó la falta de gobernanza de datos como el principal reto de datos que frena las iniciativas de IA.
El desafío ya no consiste en saber si las organizaciones tienen suficientes datos operativos. Consiste en determinar si las personas y la IA pueden identificar qué información está actualizada, es autoritativa, está conectada y es segura para actuar sobre ella. A medida que la IA se integra en los flujos de trabajo operativos, la calidad de las decisiones depende cada vez más de la calidad del contexto que las sustenta.
Sin embargo, para los responsables de TI, ese desafío se concreta en las preguntas operativas que los equipos deben responder cada día:
- ¿Está este dispositivo activo y gestionado?
- ¿Qué versión de software está realmente instalada?
- ¿Quién es el propietario del endpoint?
- ¿Sigue presente la vulnerabilidad notificada?
- ¿Tiene el dispositivo el estado adecuado para recibir un parche?
- ¿Interrumpiría la corrección a un empleado, un incidente activo o un proceso de negocio crítico?
- ¿La acción se ha realizado correctamente?
Las respuestas que necesitan los equipos pueden estar distribuidas entre sistemas de compras, gestión de endpoints, inventario de software, gestión de servicios, seguridad y experiencia del empleado. Cuando esos sistemas discrepan, los equipos deben validar qué información está actualizada y es autoritativa antes de poder actuar.
Aunque esa incertidumbre siempre ha generado fricción, la IA la hace más relevante: la información fragmentada o contradictoria ya no afecta solo al análisis humano; se convierte en contexto para asistentes, modelos, automatización y agentes.
La IA escala aquello sobre lo que se ejecuta
La IA puede analizar información operativa más rápido que los equipos humanos, pero la velocidad no concilia registros contradictorios ni establece fuentes de verdad.
Un único portátil puede aparecer como varios registros en herramientas de descubrimiento, gestión de endpoints, gestión de servicios y seguridad. Es posible que su propietario registrado haya cambiado. Un sistema puede clasificarlo como activo mientras que otro no lo ha visto desde hace semanas. Un escáner de vulnerabilidades puede identificar una exposición sin confirmar si el software afectado sigue instalado o si un intento anterior de corrección tuvo éxito.
Una experiencia de IA puede generar a partir de esta información una recomendación fluida y técnicamente plausible. Pero cuando el contexto subyacente es incierto, la recomendación puede no ser fiable desde el punto de vista operativo. La IA puede entonces procesar y propagar esa incertidumbre a gran velocidad, amplificando sus consecuencias en informes, flujos de trabajo y acciones.
El riesgo aumenta a medida que la IA entra en la organización por más canales. Aunque algunas experiencias operan dentro de controles establecidos, otras (por ejemplo, asistentes elegidos por los empleados o agentes conectados sin supervisión suficiente) pueden operar fuera de ellos, creando lo que comúnmente se denomina IA en la sombra.
Shadow AI 2025 de Google Cloud muestra que el riesgo va más allá del uso de herramientas de IA de consumo por parte de los empleados. También incluye IA de nivel empresarial adoptada sin la supervisión corporativa adecuada y “agentes en la sombra” que pueden acceder a información, realizar tareas o interactuar con sistemas sin control de TI.
Esto genera una preocupación inmediata en materia de protección de datos, porque la información sensible puede compartirse con herramientas que la organización no puede observar ni gobernar. También crea un problema de coherencia operativa. Sin una comprensión compartida de qué es autoritativo, distintas experiencias de IA pueden utilizar registros diferentes, operar con permisos distintos y llegar a conclusiones diferentes.
La gobernanza debe ir más allá del modelo de IA
IBM muestra en su investigación sobre brechas de 2025 hasta qué punto persisten estas lagunas de gobernanza. Su estudio de 600 organizaciones afectadas por brechas en 17 sectores reveló que el 63 % carecía de una política de gobernanza de IA o todavía la estaba desarrollando. Entre las organizaciones con políticas de gobernanza de IA, solo el 34 % auditaba regularmente el uso de IA no autorizada. IBM también informó de un coste medio global por brecha de 4,44 millones de dólares en 2025.
Los resultados muestran por qué las organizaciones no pueden gobernar la IA aprobada únicamente en el nivel del modelo o de la interfaz. También deben gobernar el contexto operativo que proporcionan a la IA.
La respuesta no consiste simplemente en dar a la IA acceso a más datos. Consiste en establecer una base que ayude a las experiencias de IA aprobadas a entender qué datos son reales, qué significan y qué se les permite hacer con ellos.
La confianza en la IA se construye desde el origen
La IA no puede establecer confianza por sí sola. Incluso un modelo sofisticado puede razonar con fluidez a partir de un dispositivo duplicado, un registro de software obsoleto, un propietario incorrecto o un historial operativo incompleto. Por tanto, las organizaciones deben establecer la confianza desde el origen, empezando por la realidad operativa: descubrir qué existe y validar los activos, el software, los usuarios y los registros de los que dependen las decisiones.
La confianza se refuerza mediante un contexto compartido, conectando los registros validados con la propiedad, el estado del dispositivo, las relaciones, las dependencias, el ciclo de vida, el riesgo, la experiencia del empleado y el impacto en el negocio. Se convierte en acción mediante gobernanza, controles de acceso, recomendaciones, aprobaciones, ejecución, responsabilidad y verificación.
En conjunto, estas tres prácticas —establecer la realidad operativa, crear un contexto compartido y gobernar la inteligencia y la acción— forman un modelo operativo continuo para operaciones preparadas para la IA, en lugar de un ejercicio puntual de depuración de datos. Nuestro webinar AI Is Only as Valuable as the Operational Truth It Can Trust explora este modelo con mayor profundidad.
La Plataforma Ivanti Neurons pone en práctica este modelo operativo al establecer la base operativa de confianza de la que depende.
La información recopilada mediante descubrimiento activo y pasivo, conectores, análisis de inventario, API y otras fuentes conectadas se normaliza para poder comparar nombres incoherentes de dispositivos, sistemas operativos, software y fabricantes. Los registros asociados al mismo activo pueden conciliarse y enriquecerse con información relevante, como propiedad, software, ciclo de vida, licencias, garantía y contexto de vulnerabilidades.
Esto proporciona a las organizaciones una vista operativa gobernada por activo, respaldada por el historial de origen y validación, en lugar de otra copia de datos sin calificar. Neurons no necesita sustituir todos los sistemas empresariales autoritativos. Su función es reunir la información operativa relevante, preservar su contexto y establecer un sistema de registro continuamente actualizado para las operaciones de TI y Seguridad. Esa vista consolidada aporta valor práctico para la toma de decisiones.
Capacidades de IA creadas sobre un contexto de Neurons de confianza
Algunas organizaciones incorporan capacidades de IA directamente en las aplicaciones que ya utilizan los empleados y los equipos de TI, lo que les permite tomar decisiones sin salir de sus flujos de trabajo existentes. Otros casos de uso dependen de asistentes externos aprobados, agentes creados por el cliente o plataformas de IA que necesitan acceso controlado al contexto empresarial.
Ivanti admite dos vías de IA complementarias mediante una base común de Neurons. Las capacidades de inteligencia nativa incorporan el contexto de Neurons directamente en las soluciones de Ivanti, mientras que el acceso gobernado mediante Model Context Protocol (MCP) [Add link to MCP page] amplía el contexto autorizado de Neurons a asistentes externos aprobados, agentes creados por el cliente y plataformas de IA. En conjunto, permiten que distintas experiencias de IA trabajen con información operativa coherente sin crear versiones separadas del entorno.
La IA nativa y el acceso MCP gobernado aplican el contexto de Neurons de confianza de formas complementarias:
La inteligencia nativa lleva la IA al trabajo
La inteligencia nativa utiliza el contexto relevante de Neurons dentro de las soluciones de Ivanti para respaldar la investigación, el diagnóstico, las recomendaciones, los informes, la síntesis y la interacción en lenguaje natural. Esto puede reducir el esfuerzo necesario para encontrar información operativa o interpretar una condición compleja del endpoint sin exigir a los usuarios que se trasladen a un entorno de IA separado.
Entre los ejemplos se incluyen AI Insights & Recommendations, informes conversacionales, investigación en lenguaje natural, diagnósticos asistidos por IA, información de Digital Employee Experience, agentes de información sobre parches y soporte de automatización.
Estas capacidades demuestran que el valor de la IA no tiene por qué empezar con un agente autónomo. Puede empezar reduciendo la fricción en el trabajo diario con endpoints.
La IA puede ayudar primero haciendo que la información sea más fácil de encontrar e interpretar. Después puede recomendar una acción basada en un contexto operativo relevante. La automatización y los flujos de trabajo operativos aprobados pueden ejecutar acciones definidas dentro de permisos, políticas y controles establecidos. La organización conserva el control sobre el nivel adecuado de participación de la IA para cada caso de uso.
El acceso MCP gobernado extiende la IA más allá de Ivanti Neurons
El sector adopta cada vez más estándares como Model Context Protocol para conectar asistentes y agentes de IA con sistemas empresariales. MCP estandariza el acceso a la información, pero no determina si esa información es fiable o autoritativa.
Por ello, Ivanti trata el acceso MCP gobernado como un complemento de la inteligencia nativa. La inteligencia nativa incorpora la IA a las soluciones de Ivanti, mientras que MCP ofrece a las experiencias de IA externas aprobadas una forma estandarizada de recuperar contexto autorizado de Neurons sin crear otro repositorio operativo ni una versión de la verdad que compita con las demás.
La implementación MCP de Ivanti utiliza los controles existentes de identidad, permisos y políticas: un cliente de IA compatible o un agente creado por el cliente envía una solicitud, los roles y permisos determinan a qué puede acceder, y el servidor MCP de Neurons devuelve únicamente el contexto operativo autorizado a través de servicios y API de Neurons aprobados.
La experiencia de IA interpreta el contexto autorizado; las personas y los controles organizativos mantienen la responsabilidad sobre las decisiones y aprobaciones; y las capacidades aprobadas de Ivanti ejecutan acciones dentro de límites de seguridad establecidos.
Esta separación evita confundir acceso con autoridad: Neurons sigue siendo la fuente operativa de verdad, mientras que la recuperación de contexto, las decisiones, las aprobaciones y la ejecución permanecen diferenciadas y sujetas a responsabilidad.
Esta vía gobernada también ofrece una alternativa a la IA en la sombra: las experiencias aprobadas pueden recuperar el contexto permitido de Neurons dentro de controles definidos, en lugar de depender de copias no gestionadas, conexiones sin restricciones o su propia representación del entorno.
MCP no elimina el riesgo de la IA; las organizaciones siguen necesitando protección de la información, supervisión, gobernanza y responsabilidad humana. Proporciona una forma controlada de ampliar el contexto operativo de confianza más allá de las soluciones de Ivanti.
Ivanti aplica el modelo de operaciones preparadas para la IA en su propio entorno
Ivanti pone en práctica este modelo operativo a través de su programa Customer Zero. Su equipo global de TI utiliza la plataforma Neurons para gestionar un patrimonio de endpoints complejo y multiplataforma para una plantilla muy distribuida y predominantemente remota.
Como explica Tony Miller, Vice President, Enterprise Services en Ivanti: “Lo fundamental en cualquier entorno es contar realmente con una única fuente de verdad en lo que respecta al estado de los endpoints de su entorno”. Con esa base de confianza establecida, Ivanti puede automatizar más operaciones de endpoints.
“Gracias a Neurons, podemos lograr un alto nivel de automatización”. Jarek Piszczatowski, Director de Customer Zero y Automatización, Ivanti
Esto permite a un equipo reducido de administradores de endpoints dar soporte a operaciones a gran escala mientras concentra el esfuerzo manual en revisar resultados, supervisar excepciones y realizar seguimiento de los dispositivos que requieren atención.
Empiece donde la realidad operativa se convierte en acción
Los endpoints son un punto de partida práctico porque conectan el contexto operativo de confianza con resultados visibles y medibles. Autonomous Endpoint Management (AEM) reúne el estado del dispositivo, la propiedad, el software instalado, el estado de parches, la experiencia del empleado y el riesgo para que los equipos puedan investigar problemas, determinar la respuesta adecuada, actuar dentro de controles definidos y verificar los resultados.
Por ejemplo, pensemos en una vulnerabilidad crítica que afecta a miles de endpoints. Una puntuación de gravedad por sí sola no puede determinar la respuesta. Los equipos deben confirmar que los registros están actualizados, que los endpoints están activos y gestionados, que el software vulnerable está instalado y que la corrección es adecuada. Los fallos de despliegue anteriores, el impacto en los empleados o un incidente activo también pueden modificar la respuesta.
La IA puede interpretar el contexto operativo, identificar los endpoints afectados y priorizar la respuesta. La fiabilidad depende de evaluar la gravedad técnica junto con las condiciones actuales del endpoint. AEM conecta entonces la información con el resultado mediante un ciclo gobernado: los controles determinan las acciones permitidas y los requisitos de aprobación, las capacidades aprobadas ejecutan y la verificación confirma si cada dispositivo alcanzó el estado previsto.
El éxito no es una recomendación ni una tarea de automatización completada. Es la prueba de que el endpoint correcto recibió la acción adecuada dentro de controles definidos y alcanzó el resultado previsto.
El mismo modelo operativo respalda una experiencia digital del empleado (DEX) más proactiva. Señales como poco almacenamiento, fallos recurrentes de aplicaciones, degradación del rendimiento o problemas de configuración pueden revelar problemas de productividad antes de que un empleado abra un ticket.
Al conectar el estado del dispositivo, la propiedad, las señales de experiencia del empleado, los incidentes y el historial operativo, la investigación asistida por IA puede identificar problemas antes. La corrección aprobada puede operar dentro de límites de seguridad establecidos, mientras que las señales posteriores de endpoint y experiencia muestran si ha funcionado.
El contexto de confianza también conecta la gestión de endpoints, DEX y la gestión de parches con un enfoque compartido del riesgo. El estado del dispositivo, las señales de experiencia y la exposición a vulnerabilidades ayudan a los equipos a priorizar la corrección allí donde convergen el riesgo de seguridad y el impacto en el empleado. La corrección predictiva facilita el paso de reaccionar ante fallos a identificar y abordar problemas emergentes en endpoints, mientras que la gestión de parches basada en el riesgo prioriza las exposiciones críticas para el negocio.
Comprobar de forma continua las configuraciones de los dispositivos y los parches instalados frente a políticas definidas y líneas base de cumplimiento ayuda a los equipos a detectar desviaciones, corregir brechas dentro de controles establecidos y verificar el estado resultante, lo que permite un cumplimiento continuo en lugar de una evaluación puntual.
Por tanto, AEM lleva la IA del potencial al valor operativo medible al conectar preguntas habituales sobre endpoints con contexto de confianza, acción controlada y prueba de resultados.
Mantener la confianza mediante el uso y la verificación
El contexto de confianza gana valor a medida que se utiliza y se verifica. Los equipos dedican menos tiempo a conciliar registros, las recomendaciones asistidas por IA pueden basarse en información operativa más actualizada y la automatización puede operar dentro de límites de políticas y permisos más claros.
Las pruebas de las acciones completadas pueden reforzar después el registro operativo utilizado para la siguiente decisión. Dado que los activos, el software, la propiedad, las amenazas, los incidentes y las experiencias de IA cambian continuamente, la confianza operativa debe mantenerse y verificarse a lo largo del tiempo.
Escalar la acción de confianza en toda la empresa
AEM proporciona un punto de partida focalizado y medible, pero la misma base de confianza puede respaldar decisiones en gestión de servicios, seguridad, cumplimiento, compras, finanzas y gestión de activos de software.
El contexto conectado de endpoints y activos ayuda a los equipos a relacionar las condiciones de los dispositivos con incidentes, cambios, experiencia del empleado, riesgo, propiedad, historial de corrección, uso de software y eventos del ciclo de vida. Esto reduce la incertidumbre que ralentiza las decisiones operativas, de seguridad y de optimización.
En todas estas funciones, el modelo operativo se mantiene constante:
- Las señales identifican un problema o una oportunidad.
- Los registros de confianza y el contexto compartido aclaran qué está actualizado y qué importa.
- La IA y la analítica respaldan la investigación y la priorización.
- La gobernanza determina el nivel de acción adecuado.
- Las capacidades aprobadas ejecutan.
- La verificación registra el resultado.
Esta continuidad reduce la necesidad de reconstruir el contexto en cada traspaso y crea un registro responsable de lo que se identificó, recomendó, aprobó, ejecutó y verificó. Las organizaciones pueden ampliar el modelo a flujos de trabajo de TI y Seguridad más amplios a medida que maduren sus casos de uso y su gobernanza.
Crear operaciones preparadas para la IA sobre un contexto de confianza
La IA escala aquello sobre lo que se ejecuta. Para los líderes empresariales, la prioridad no es simplemente desplegar más IA, sino garantizar que cada decisión operativa se apoye en un contexto de confianza, que cada acción permanezca dentro de controles definidos y que cada resultado pueda verificarse. Con Ivanti Neurons como esa base operativa de confianza, las organizaciones pueden pasar de la ambición en IA a la confianza operativa.