La seguridad de DataAI como infraestructura fundamental para sectores críticos

2026 es el año en que la IA corporativa pasa de la fase de “¿funciona?” a la de “¿cómo podemos adoptarla de forma segura?”. Las empresas se enfrentan a la complejidad de las oportunidades y los desafíos que se les presentan a un ritmo sin precedentes. Sin embargo, la realidad es que la IA no es una solución milagrosa: su eficacia depende de los datos y la lógica empresarial que la sustentan.

La mayoría de los proyectos piloto de IA fracasan debido a la falta de coordinación entre líderes, departamentos y personas. Sin una estrategia definida y una responsabilidad clara, añadir IA a un proceso defectuoso solo amplifica el riesgo. Los datos y las decisiones interpretables son fundamentales para la supervisión de la IA. La resiliencia unificada de los datos y la confianza en la IA son claves tanto a nivel estratégico como de infraestructura.

A medida que aumenta la inversión en IA, también lo hace el coste del fracaso

KPMG prevé que en 2026, los líderes de las empresas invertirán un promedio de 124 millones de dólares en IA, y los agentes de IA se generalizarán. El impulso de las inversiones en IA en sectores esenciales como los servicios financieros, la sanidad y el comercio minorista marca la transformación de sistemas críticos que impactará a miles de millones de personas en todo el mundo.

Estudios recientes del sector muestran que el 54 % de los bancos ha adoptado la IA en producción, el 46 % de los proyectos piloto implementados por grandes proveedores del sector sanitario están avanzando y el 58 % de las  empresas minoristas y de bienes de consumo envasados (CPG) ??están implementando activamente soluciones de IA en 2026, frente al 24 % en 2024.

Los principales casos de uso para los servicios financieros incluyen la identificación de riesgos emergentes, el aseguramiento y control de calidad, así como la generación de informes. En el sector sanitario, los resultados exitosos auguran un futuro prometedor, desde el diseño preclínico hasta la gestión de la atención al paciente. Mientras que en el sector minorista, la IA se utiliza para optimizar las operaciones y las cadenas de suministro, además de mejorar la experiencia del cliente.

A medida que los entornos de datos se vuelven más complejos, el coste de los fallos en ciberseguridad, privacidad y calidad de datos aumenta. Si la infraestructura de datos subyacente no puede respaldar la confianza en la IA a gran escala, los líderes no solo se arriesgan a proyectos costosos fallidos, sino también a sufrir daños operativos, regulatorios y reputacionales. Los enfoques tradicionales de copias de seguridad y cumplimiento normativo ya no son suficientes.

La confianza en la IA depende de la resiliencia de los datos

Consideremos la IA como la voz de los datos. Cuando los datos se comprenden, son seguros, recuperables y se puede demostrar su integridad ante cualquier problema, la confianza en la IA se mantiene firme, no solo internamente, sino también ante el escrutinio externo de reguladores, partners y clientes. Es entonces cuando se libera el verdadero potencial de la IA.

Sin embargo, muchas organizaciones se apresuran a adoptar la IA mientras subestiman los fundamentos que la hacen fiable: datos limpios y gobernados, una propiedad y supervisión claras, y planes de recuperación que funcionen bajo presión. Los ataques dirigidos por la IA pueden tener como objetivo tanto a responsables humanos, como a herramientas de IA con acceso privilegiado a la información.

El contexto de los flujos de datos y la exposición a la información deben tener sentido en tiempo real; de lo contrario, los riesgos deben señalarse al instante. Si el riesgo no se integra en el diseño del sistema, la confianza se volverá frágil.

Cómo se manifiesta la falta de confianza en la IA

A medida que la IA y la avalancha de datos siguen creciendo exponencialmente y los agentes de IA actúan de forma autónoma a la velocidad y escala de las máquinas, los fallos relacionados con tres categorías de riesgo críticas (la filtración de datos confidenciales, los ciberataques y el incumplimiento de la normativa) son una preocupación primordial.

Las consecuencias varían según el sector, pero el patrón es constante. Cuando falla la resiliencia de los datos, también falla la confianza en la IA.

• En el sector financiero, la auditabilidad y la continuidad operativa son fundamentales. Un modelo de IA que toma decisiones de crédito necesita un registro completo y auditable de los datos con los que se entrenó y de las decisiones que tomó. Si esos datos no se pueden recuperar o verificar tras un fallo del sistema, los responsables de cumplimiento normativo no pueden defenderlos y los organismos reguladores no los aceptarán. Las recientes estafas bancarias con deepfakes son un ejemplo de fallo en la trazabilidad de la identidad, lo que pone de manifiesto casos en los que una empresa no trata el vídeo o la voz como datos no fiables.
• En el sector sanitario, la clave reside en la seguridad del paciente y la fiabilidad del sistema. Las herramientas de IA se utilizan cada vez más para identificar pacientes de alto riesgo, recomendar tratamientos o priorizar la atención de urgencias. Si los datos subyacentes se ven comprometidos, ya sea por ransomware, corrupción o un simple error humano, las consecuencias pueden poner en riesgo la vida de personas. La recuperación no se limita a restaurar archivos, sino que implica tener la certeza de que los datos que guían las decisiones clínicas son precisos y completos. Las brechas de seguridad de IA en el sector sanitario son un ejemplo de cómo el uso no autorizado de este tipo de herramientas por parte de empleados puede provocar la filtración de datos de pacientes.
• En el sector minorista, la clave reside en la resiliencia en operaciones omnicanal complejas y que funcionan ininterrumpidamente. La IA gestiona el inventario, optimiza los precios y personaliza la experiencia del cliente en la web, dispositivos móviles y tiendas físicas. Cuando los sistemas de datos fallan o se vuelven poco fiables, el impacto se propaga: la gestión del inventario se interrumpe, la fijación dinámica de precios deja de funcionar, las recomendaciones al cliente se detienen y los ingresos desaparecen. Las estafas de phishing personalizadas en el sector minorista, que suelen ser noticia, ocurren cuando los inicios de sesión anómalos no son detectados como sospechosos por los minoristas.

Cómo se traduce la confianza en la IA 

Las empresas han entrado en la fase de transformación digital 2.0 en donde desarrollar la IA sin resiliencia de datos es un error. Los líderes en el ámbito de la IA que lo logran se centran en generar confianza asegurándose de que sus datos y la IA sean explicables.

Sin embargo, un problema recurrente es que la mayoría de las organizaciones tienen una gestión de datos deficiente. Los ejecutivos simplemente no comprenden los datos que poseen, porque no pueden visualizarlos. Según una encuesta reciente de Veeam, casi el 60 % de las organizaciones reportan una menor visibilidad de los datos debido al crecimiento de los entornos multicloud y SaaS.

La única forma práctica de comprender completamente los datos de una organización es mediante el poder de la IA. Esta puede revelar datos obsoletos, redundantes y triviales, resaltar datos mal ubicados (lo que puede generar problemas de cumplimiento), asignaciones de permisos incorrectas y mucho más. Entre los casos de clientes que muestran estrategias de IA aplicadas con éxito en producción se encuentran: 

• Un banco norteamericano que dedicó un año entero al lanzamiento de un nuevo sistema de detección de fraude basado en IA. La entidad sabía que demostrar la fiabilidad de la IA era fundamental para la auditoría del sistema. El equipo se centró en el análisis de datos, la explicación de la solución y la colaboración en todo momento desde una perspectiva regulatoria. La inversión realizada fue crucial para el éxito del proyecto y de los equipos involucrados. Superaron la auditoría, lo que validó directamente la fiabilidad de la IA dentro de la empresa, de forma transparente para los clientes. De haber fracasado, la estrategia de IA en la empresa se habría visto comprometida.
• Un proveedor de atención sanitaria francés se enfrentaba a problemas con grandes volúmenes de datos de imágenes que rara vez se consultaban, pero que debían conservarse durante largos periodos de tiempo. La IA ofreció la oportunidad de combinar los datos de imágenes con el historial de diagnóstico del paciente para crear nuevos datos con un contexto más completo. El resultado fueron nuevas exploraciones que permitieron identificar los primeros indicadores de enfermedad. El éxito de la iniciativa impulsó la confianza en la IA para el proveedor de servicios de salud.

El camino a seguir: ¿Es posible detectar riesgos, proteger los activos y corregir errores en la IA? 

El mayor error que pueden cometer los líderes empresariales es ignorar el riesgo y trabajar de forma aislada. Los equipos de TI y seguridad necesitan colaborar más estrechamente, contar con visibilidad completa, controles más robustos y una mayor resiliencia que nunca. A medida que la IA y los agentes se generalizan, las empresas necesitan una capa de control unificada como Veeam AI Commander, que pone en práctica la seguridad y la resiliencia de la IA basada en datos. Ampliar la confianza en la IA implica que las empresas deben ser capaces de detectar riesgos, proteger los activos de IA y corregir errores al instante.

Así pues, pregunta a tus equipos: ¿podemos detectar y catalogar todos los activos de DataAI? ¿Contamos con una detección de riesgos superior basada en la inteligencia contextual profunda de DataAI? ¿Podemos pasar de la prueba de concepto de IA a la producción gracias a la mitigación proactiva de los riesgos de la IA?

¿Nuestras iniciativas de IA cuentan con controles sólidos para todo nuestro sistema DataAI? ¿Se puede realizar un seguimiento de la actividad de nuestros agentes de IA y corregir sus errores? ¿Cumplimos continuamente con los marcos necesarios? Las respuestas a estas preguntas constituyen los puntos de referencia para una infraestructura fundamental unificada de resiliencia de datos y confianza en la IA que debe dar soporte a diversos flujos de trabajo en toda la empresa.

¿Dispone de los líderes necesarios para un futuro preparado para la IA?

A medida que las empresas construyen una infraestructura fundamental unificada de resiliencia de datos y confianza en la IA, es importante tener en cuenta que la evolución de las políticas de derechos de autor y regulatorias representa puntos ciegos que requieren atención. A medida que las empresas equilibran los proyectos de IA con soluciones estándar y personalizadas, comprender los parámetros de derechos de autor de los datos que entrenan sus modelos es otro factor de explicabilidad. Las políticas regulatorias fragmentadas en diferentes regiones aumentan la complejidad operativa para los líderes.

El éxito de la IA depende, en última instancia, de los líderes, quienes refuerzan su experiencia práctica en proyectos piloto y el análisis detallado de los planes de recuperación, con plena conciencia de los puntos ciegos de la empresa. ¿Cómo es esa cantera de líderes preparados para la IA?

Por Rick Vanover, Vicepresidente de Estrategia de Producto de Veeam