Las 25 aplicaciones agénticas que automatizan procesos empresariales con supervisión humana

Las empresas que adoptan inteligencia artificial (IA) enfrentan un problema creciente: cuanto más agentes y aplicaciones automatizadas incorporan, más difícil resulta garantizar que esos sistemas respeten las reglas del negocio, protejan los datos sensibles y ofrezcan respuestas confiables. Para abordar ese desafío, se han creado opciones como una arquitectura y un conjunto de herramientas para que las protecciones de seguridad dejen de depender de cada aplicación individual y se apliquen desde las capas más profundas de la plataforma tecnológica.

El modelo, denominado Deep Trust AI Architecture, parte de una premisa concreta: si las políticas de acceso y las reglas de negocio se definen solo en el código de cada aplicación, los sistemas generados por IA pueden implementarlas mal o, en el peor de los casos, saltarlas por completo. La propuesta traslada esas protecciones a cuatro niveles de la infraestructura (software base, datos, acceso a los datos y desarrollo de aplicaciones) para que todo agente o aplicación que opere sobre esa plataforma las herede de forma automática.

“Las empresas no pueden aprovechar los beneficios de la IA si no pueden confiar en lo que genera”, afirmó Juan Loaiza, vicepresidente ejecutivo de AI Database Technologies de Oracle, durante el AI World.

El riesgo de dejar la seguridad en manos de cada aplicación de IA

El escenario que preocupa a las organizaciones es claro. A medida que se multiplican los agentes de inteligencia artificial que acceden a bases de datos corporativas —ya sea mediante consultas directas o a través de la conversión de lenguaje natural a código de consulta—, cada uno de esos puntos de contacto representa una posible brecha de seguridad.

Cuando un agente de IA convierte la pregunta de un empleado en una consulta a la base de datos, puede omitir restricciones de acceso que sí existían en la aplicación tradicional. Del mismo modo, una aplicación generada por IA puede implementar de forma incorrecta las políticas sobre quién puede ver qué información. La arquitectura presentada busca cerrar esa brecha al aplicar las reglas directamente en la base de datos, donde ningún agente externo puede eludirlas.

Las reglas del negocio se aplican en la base de datos, fuera del alcance de los agentes

Una de las herramientas centrales de esta propuesta es Deep Data Security, que permite definir las reglas de acceso de cada usuario directamente en la base de datos. El sistema verifica la identidad mediante un certificado digital emitido por el directorio corporativo y determina qué información puede consultar esa persona, sin importar desde qué aplicación o agente realice la solicitud.

A esto se suma SQL Assertions, una funcionalidad que aplica reglas de negocio en la propia base de datos. Un ejemplo práctico: si un empleado intenta aprobar un gasto que supera su límite autorizado, la base de datos bloquea la operación sin importar qué aplicación, usuario o agente de IA la haya enviado.

Las actualizaciones de seguridad se instalan antes de hacerse públicas

En la capa de software, la arquitectura se apoya en Autonomous AI Database, un sistema que elimina la necesidad de aplicar parches de seguridad de forma manual. Las actualizaciones se instalan en el motor de base de datos, el sistema operativo, el almacenamiento y el firmware antes de que se publiquen de forma abierta, y se aplican por etapas para que las aplicaciones sigan funcionando sin interrupciones.

El cifrado permanece activo en todo momento, tanto para los datos almacenados como para los que están en tránsito. Solo los usuarios y aplicaciones con autorización pueden descifrar la información. Este servicio funciona en los principales proveedores de nube y en instalaciones locales.

Las consultas en lenguaje natural incorporan contexto del negocio para reducir errores

Otro de los puntos críticos es la precisión de las respuestas cuando los usuarios hacen preguntas en lenguaje natural. La herramienta Deep NL2SQL permite que la IA interprete esas consultas con información contextual propia de cada organización: terminología interna, prácticas habituales, métricas específicas y la forma en que están organizados los datos.

Si la respuesta resulta incorrecta, los usuarios pueden corregirla a través de un sistema de aprendizaje por retroalimentación continua. Antes de que esas correcciones se integren a la base de conocimiento corporativa, pasan por un proceso de validación que busca evitar que un error se propague. Estas funcionalidades apuntan a un problema frecuente: las soluciones tradicionales de conversión de lenguaje natural a consultas técnicas suelen fallar cuando desconocen el contexto específico del negocio.

Las aplicaciones generadas por IA producen definiciones, no código ejecutable

En la capa de desarrollo, la arquitectura incluye APEX AI Application Generator, que permite a los agentes de programación convertir descripciones en lenguaje natural en definiciones de aplicaciones mediante APEXlang, un lenguaje abierto creado para este propósito.

La diferencia con otros enfoques de generación automática de software es que la IA produce únicamente la definición de la aplicación, no el código que se ejecuta. El motor de ejecución subyacente se encarga de la seguridad, la escalabilidad y la disponibilidad. Esto reduce la necesidad de mantener y revisar grandes volúmenes de código generado por inteligencia artificial, una de las preocupaciones más frecuentes entre los equipos de desarrollo.

25 aplicaciones que ejecutan procesos complejos con supervisión humana

En paralelo a la arquitectura de confianza, se presentaron 25 aplicaciones agénticas dentro de Fusion Cloud Applications, impulsadas por un entorno de ejecución llamado Fusion Claw. Estas herramientas funcionan bajo un modelo que Oracle describe como “sistema de resultados”: las personas definen los objetivos y las políticas, y las aplicaciones coordinan los procesos necesarios para alcanzarlos.

“La próxima era de la IA empresarial se centrará en ofrecer software que realice cada vez más tareas, mientras las personas definen los objetivos y establecen las políticas”, afirmó Chris Leone, vicepresidente ejecutivo de Desarrollo de Aplicaciones de la compañía.

Las 25 aplicaciones cubren áreas de planificación de recursos empresariales (ERP), gestión de capital humano (HCM), cadena de suministro y manufactura (SCM) y experiencia del cliente (CX). Entre ellas, Ledger acelera el cierre contable al conciliar información y resolver excepciones en grandes volúmenes de asientos. Workforce Orchestration desarrolla planes de fuerza laboral que equilibran demanda, costos y continuidad operativa, y coordina acciones como reasignaciones o contrataciones una vez aprobadas.

Nómina, cadena de suministro y servicio al cliente, entre los procesos automatizados

Payroll Activity Workspace compara remuneraciones y costos actuales con períodos anteriores para identificar variaciones y preparar recomendaciones. En cadena de suministro, Supply Planning Allocation determina cómo distribuir materiales y capacidad productiva limitados entre demandas que compiten entre sí, y prepara escenarios de asignación para revisión humana.

Procurement Spend se enfoca en el control de gastos: analiza datos de compras y acuerdos con proveedores, detecta incumplimientos contractuales y cuantifica oportunidades de ahorro. Service Health Check identifica problemas en el desempeño del servicio al cliente, determina causas y prepara acciones correctivas antes de que las fallas se vuelvan persistentes. También se presentó Strategic Field Demand Planning, que alinea la capacidad de los equipos de campo con la demanda y gestiona los costos de horas extras.

Un asistente permite interactuar con las aplicaciones empresariales desde ChatGPT

Además, existe Fusion Companion, una capa inteligente que permite a los usuarios interactuar con las aplicaciones empresariales a través de herramientas de IA compatibles, como ChatGPT. El sistema utiliza el contexto del negocio, los datos y los permisos de cada usuario para identificar qué transacciones, flujos de trabajo o aprobaciones se necesitan para completar una tarea.

Complementa esta experiencia Fusion Agentic Home, una interfaz donde los usuarios pueden definir objetivos, delegar tareas a agentes de IA y dar seguimiento al progreso. Para quienes necesiten crear sus propios agentes, AI Agent Studio for Fusion Applications ofrece capacidades de desarrollo sin código y con código profesional, junto con controles de seguridad y herramientas para medir el retorno de inversión.

Un analista del sector señala que la competencia se traslada de los modelos a la arquitectura

Steven Dickens, director ejecutivo de HyperFRAME Research, señaló que la competencia en IA empresarial está migrando “desde la inteligencia de los modelos hacia la confianza en la arquitectura”. Según el analista, mientras gran parte del sector aún trabaja en resolver la seguridad de los agentes de IA y la gobernanza del acceso a datos, “Oracle está cambiando radicalmente la ecuación de la IA empresarial” al unificar seguridad y gobernanza en los cimientos de la plataforma.

La compañía indicó que cada nuevo agente o aplicación que opere sobre la arquitectura heredará las protecciones de seguridad desde el primer día. Las herramientas de seguridad y actualización con descuento para sistemas locales y de nube compartida estarán disponibles hasta finales de febrero de 2027.