Palantir AIP: cómo llevar agentes de IA a producción con gobierno

Respuesta rápida:

La mayoría de los pilotos de IA generativa no fracasan por el modelo, sino por lo que hay alrededor: el contexto de negocio, los permisos, la evaluación y los controles de producción. Palantir AIP aporta esas cuatro cosas apoyándose en la Ontología, que ya contiene los objetos del negocio, sus relaciones y las acciones permitidas.

En la práctica, un agente de AIP se construye como una función con entradas y salidas a la que se le dan herramientas —consultas a la Ontología y acciones gobernadas—, se prueba con casos de evaluación y se despliega con observabilidad, límites de consumo y auditoría.

Lo que no cambia: sigue haciendo falta acotar bien la tarea, decidir qué acciones son irreversibles y mantener las pruebas. La plataforma reduce el trabajo de plomería, no la responsabilidad de diseñar.

El modelo es la parte fácil. El contexto, los permisos y las pruebas son el proyecto.

En nuestros despliegues, la conversación sobre IA generativa en una corporación regulada siempre acaba en las mismas tres preguntas: quién garantiza que el asistente no enseñe a un empleado datos de otra filial, quién avisa si la calidad de las respuestas cae tras un cambio y quién responde si el sistema ejecuta una acción equivocada.

Un piloto construido a medida responde «ya lo miraremos». Una plataforma como AIP obliga a responderlas antes, porque su diseño gira alrededor de esas tres preguntas.

Un agente sin permisos heredados no es un asistente: es una puerta trasera con buena redacción.

Elegir el modelo sin rehacer la aplicación

AIP separa la aplicación del modelo que la ejecuta. La documentación describe varias rutas: el catálogo de modelos, traer tu propio modelo a través de un servicio externo y el autoalojamiento de modelos abiertos o propios en tu infraestructura, incluidos entornos locales o aislados.

Para una empresa europea esa última opción no es un detalle: permite que el dato sensible no salga de un perímetro definido, y es la conversación que abrimos en Palantir y soberanía del dato en Europa.

Cambiar de proveedor no obliga a reescribir la aplicación, pero sí a volver a probarla: dos modelos leen la misma instrucción de forma distinta.

El contexto que el modelo no tiene

Un modelo de lenguaje llega sin saber quiénes son vuestros proveedores, qué pedidos están abiertos ni quién puede aprobar un cambio. Ese contexto es la Ontología, y por eso su papel en el gobierno del dato es también la clave de la IA: el agente no consulta tablas sueltas, sino objetos con sus relaciones y sus acciones.

La diferencia con un sistema RAG construido a medida es que no hay un segundo modelo del negocio que mantener. Es el mismo que usan las aplicaciones y la analítica.

Cómo se construye un agente en AIP

• AIP Logic es una función con entradas y salidas donde se define la instrucción, las herramientas disponibles y las acciones permitidas. Se prueba antes de que ninguna aplicación la llame.
• Las herramientas son consultas a la Ontología y acciones gobernadas, no APIs genéricas: el agente solo puede hacer lo que el modelo de objetos permite.
• Automate dispara esa lógica ante una condición o un calendario, para que el agente reaccione sin que nadie lo invoque.
• AIP Analyst cubre la pregunta abierta explorando la Ontología, cuando el trabajo no está acotado de antemano.

Los permisos del usuario mandan

Este es el punto que más tranquiliza a un comité de seguridad. El acceso a un asistente no concede acceso a los datos que hay detrás: el agente trabaja dentro de los permisos de la persona que pregunta, y los controles de seguridad de la plataforma siguen aplicándose mientras los modelos se ejecutan, según la documentación de seguridad de AIP.

Nuestra recomendación de diseño, especialmente en sectores regulados: que el agente proponga la acción sensible y que una persona la confirme antes de que se ejecute la operación gobernada.

Probar antes y seguir probando después

Con un modelo, la redacción de la respuesta varía entre ejecuciones, así que la prueba no puede consistir en comparar textos. AIP Evals permite mantener casos y evaluadores reutilizables para comprobar lo que de verdad importa: si se cumplen las reglas de negocio y los requisitos de aprobación, si se recupera la evidencia correcta y cuánto cuesta cada ejecución.

Eso habilita cuatro comprobaciones que en un stack propio hay que construir a mano: comparar dos proveedores sobre los mismos casos, contrastar una versión nueva con la que está en producción, repetir la misma entrada para medir la variación y relanzarlo todo después de tocar una instrucción o una herramienta.

Lo que añade la producción

Tres piezas que suelen faltar en los pilotos y que la plataforma trae de serie: observabilidad de AIP, con historial de ejecución, trazas y registros para reconstruir por qué se tomó una decisión; gestión de capacidad, con límites de tokens y de peticiones por proyecto; y seguimiento del consumo, para saber qué aplicación gasta qué.

¿Construir o usar la plataforma?

Nuestra regla, después de hacer las dos cosas: si vuestro caso vive dentro de procesos ya modelados en Foundry, construirlo fuera significa mantener un segundo modelo del negocio y reimplementar permisos, evaluación y auditoría. Si el caso es un producto propio, con su interfaz y su ciclo de vida, puede tener sentido construirlo, y entonces aplican las cautelas que describimos en RAG basado en agentes.

Cómo puede ayudar Galde con AIP

Desde nuestra consultoría e implementación de Palantir, definimos el alcance del agente, las herramientas que recibe y las acciones que puede ejecutar, con las pruebas que lo sostienen en producción.

Desde IA generativa, traemos lo aprendido fuera de la plataforma: evaluación de calidad, control de coste y diseño de la interacción.

Y desde gobernanza de datos, aseguramos que los objetos que alimentan al agente tengan dueño, clasificación y una frescura conocida.

Conclusión

AIP no hace que la IA generativa funcione sola: hace que el trabajo que decide si funciona —contexto, permisos, pruebas y control— esté dentro de la misma plataforma donde ya viven los datos y las acciones. Para una corporación que ya opera sobre Foundry, construir ese stack por fuera significa mantener dos veces el mismo modelo del negocio. Para el resto, la pregunta sigue siendo si el caso justifica la plataforma.

Palantir®, Foundry® y AIP® son marcas de Palantir Technologies Inc. Galde no es partner oficial de Palantir ni está afiliada a la compañía; implantamos la plataforma para nuestros clientes.