El anuncio: cuentas y acompañamiento empresarial
Snowflake presenta un avance de la inteligencia artificial empresarial desde los pilotos hacia las implementaciones. En una entrevista publicada por YourStory — EnterpriseStory el 22 de septiembre de 2026, Vijayant Rai, responsable de Snowflake India, comunica que CoCo supera las 9.100 cuentas y CoWork alcanza las 5.800, ambas cifras de alcance global.
Según la entrevista, la filial india también ha creado un equipo interno para demostrar flujos de trabajo con agentes y orientar a las empresas. Rai identifica seguridad, gobernanza, resultados y costes entre las preocupaciones de sus clientes.
El alcance de esas cifras requiere precisión: son datos comunicados por el proveedor. No equivalen, por sí solos, a instalaciones industriales en producción ni permiten deducir mejoras de disponibilidad, calidad o productividad. La información facilitada sobre la entrevista no aporta resultados verificados en planta.
De la adopción comercial a la preparación operativa
Para Planta Algorítmica, la pregunta industrial que abre esta noticia no es cuántas cuentas utilizan un agente, sino qué información puede consultar, qué decisiones puede proponer y quién responde por sus acciones. Las siguientes consideraciones son criterios de evaluación editorial, no resultados observados en despliegues de Snowflake.
Como referencia de contexto, el marco AI RMF del NIST plantea examinar la disponibilidad, representatividad e idoneidad de los datos y mantener la gobernanza durante todo el ciclo de vida del sistema. No constituye una certificación de ningún producto. ([airc.nist.gov](https://airc.nist.gov/airmf-resources/airmf/5-sec-core/?utm_source=openai))
Traducido a una evaluación de planta, proponemos comenzar por un inventario acotado al proceso: qué registros necesita el agente, de qué sistema proceden, quién los mantiene y cuándo dejan de ser utilizables. Antes de ampliar el acceso, habría que acordar identificadores de equipos, unidades de medida, marcas temporales y criterios para tratar valores ausentes.
Preparar el dato también significa conservar su contexto
La trazabilidad merece una comprobación propia. El NIST relaciona la procedencia de los datos y la atribución de las decisiones con la transparencia y la rendición de cuentas. Para este caso, la recomendación editorial es exigir que cada propuesta operativa pueda reconstruirse a partir de sus fuentes y versiones. ([airc.nist.gov](https://airc.nist.gov/airmf-resources/airmf/3-sec-characteristics/?utm_source=openai))
Pensemos en un ejemplo hipotético: un agente que prepara una recomendación de mantenimiento. La prueba debería comprobar si identifica correctamente el activo, distingue una orden abierta de una cerrada y utiliza el procedimiento vigente. También debería evaluar qué hace cuando dos fuentes discrepan: pedir revisión debe ser una opción explícita, no un fallo oculto.
Conviene asignar un responsable a cada conjunto de datos y definir un procedimiento de corrección. Para el piloto, proponemos registrar tanto las inconsistencias detectadas como las consultas que el sistema no pudo resolver con evidencia suficiente.
Consultar, recomendar y ejecutar necesitan permisos distintos
La guía de seguridad para tecnología operacional del NIST subraya que estos entornos tienen requisitos particulares de rendimiento, fiabilidad y seguridad física. Por ello, no conviene evaluar una conexión a sistemas industriales como si fuera únicamente otro acceso a software empresarial. ([csrc.nist.gov](https://csrc.nist.gov/pubs/sp/800/82/r3/final?utm_source=openai))
Nuestra propuesta es separar tres capacidades: leer información, preparar una acción y ejecutarla. Un primer ensayo podría limitarse a consultas y borradores sujetos a revisión. Cualquier permiso de escritura debería justificar su necesidad y contar con límites, registro de actividad y un mecanismo probado para detener la integración.
La supervisión tampoco debería reducirse a añadir un botón de aprobación. El AI RMF pide diferenciar responsabilidades humanas y del sistema. En la evaluación industrial, esto implica identificar quién autoriza, con qué información y quién puede suspender el uso cuando aparecen errores. ([airc.nist.gov](https://airc.nist.gov/airmf-resources/airmf/5-sec-core/?utm_source=openai))
Qué evidencia pedir antes de escalar
Para contrastar las promesas comerciales, proponemos un piloto con proceso, periodo y línea base definidos. Sus indicadores deberían incluir exactitud de las propuestas, correcciones humanas, tiempo total de resolución y coste completo, incorporando integración, preparación de datos y supervisión.
Si se atribuye al agente una reducción de paradas o rechazos, la evaluación tendría que explicar cómo distingue ese efecto de otros cambios operativos. También debería documentar los casos fallidos y las condiciones en las que se retiró una recomendación.
Las cifras de cuentas comunicadas por Snowflake son una señal comercial. La decisión de dar más autonomía a un agente en planta exige otra evidencia: datos adecuados para la tarea, autoridad delimitada y resultados medidos frente al proceso anterior.