El linaje que comienza demasiado tarde crea brechas de confianza: por qué las empresas necesitan visibilidad desde los sistemas de registro hasta la IA.

Este blog es el segundo de una serie que explora cómo Rocket Software y Ataccama colaboran para ayudar a las organizaciones a crear inteligencia de datos integral y confiable. En la primera entrega, Ataccama analizó por qué el linaje completo depende de la visibilidad en entornos de mainframe, distribuidos y en la nube. En esta publicación, exploramos la importancia de dicha visibilidad y el papel que desempeña el linaje completo en el establecimiento de la confianza para la elaboración de informes, la gobernanza, la IA y la toma de decisiones.

Resumen

• El linaje completo debe comenzar en el sistema de origen, no en el punto de consumo, para generar confianza en los informes, la gobernanza, el análisis y la IA.
• Las lagunas en el linaje de los datos son lagunas de confianza. Sin visibilidad sobre el origen de los datos y su evolución, las organizaciones toman decisiones con información incompleta.
• A medida que la IA influye en las decisiones y acciones, las organizaciones necesitan datos explicables y controlados, con visibilidad de todo su ciclo de vida y contexto empresarial.
• El linaje integral mejora las investigaciones sobre la calidad de los datos, la presentación de informes regulatorios, la planificación de la modernización y la preparación para la IA, al conectar los resultados posteriores con las fuentes y dependencias anteriores.
• En conjunto, Rocket y Ataccama proporcionan visibilidad continua desde los sistemas operativos hasta las plataformas de datos modernas, lo que ayuda a las organizaciones a pasar de una visibilidad fragmentada a un contexto listo para la toma de decisiones.

Por qué el linaje completo es la base de la confianza

La mayoría de las estrategias de datos empresariales parten de la base de que la confianza se puede establecer una vez que los datos llegan a un almacén de datos en la nube, una aplicación, un panel de control, un modelo de IA o un agente. Sin embargo, gran parte del contexto que determina si los datos que llegan allí son confiables ya se encuentra varias etapas antes.

Gran parte de los datos empresariales críticos no se originan en la nube. Se originan en los sistemas operativos que gestionan el negocio: plataformas de reclamaciones, sistemas de pólizas, pagos y cuentas de clientes, y entornos heredados que aún sirven como sistemas de registro.

Por eso, el linaje empresarial no puede comenzar en el punto de consumo. Tiene que comenzar en el punto de origen.
La primera entrada del blog de Ataccama en esta serie destaca un punto importante: el linaje solo es útil cuando está completo. En entornos empresariales complejos, el linaje se fragmenta cuando algún sistema queda fuera del gráfico. Esta fragmentación genera riesgos para la presentación de informes regulatorios, las investigaciones de calidad de datos, el análisis de impacto, la gobernanza y el razonamiento de la IA.

Rocket aborda ese desafío precisamente donde reside, extendiendo el linaje a los sistemas donde se originan los datos empresariales críticos.

La brecha de linaje no es solo una brecha de cobertura técnica. Es una brecha de confianza.

Cuando las organizaciones no pueden rastrear los datos desde los sistemas donde se crearon hasta los sistemas que los transforman, almacenan, analizan y utilizan, se ven obligadas a tomar decisiones con información incompleta. Saben dónde se originó un activo de datos, pero no qué proceso operativo lo creó. Pueden ver una métrica en un informe, pero no todas las transformaciones previas que la generaron. Pueden identificar un problema de calidad de datos en un panel de control, pero no la condición de origen que lo causó.

Eso debilita la confianza en las iniciativas que los programas de datos modernos están destinados a respaldar.

El problema con el linaje que comienza río abajo

Las empresas han invertido fuertemente en plataformas de datos modernas. Esta inversión ha generado mejores análisis, un acceso más amplio a los datos y programas de gobernanza más escalables. Sin embargo, también ha introducido un punto ciego común: las organizaciones solo obtienen visibilidad de los datos una vez que estos se han transferido.
Esa perspectiva posterior es valiosa, pero incompleta.

El desafío se vuelve más urgente a medida que las organizaciones amplían su uso de IA y la toma de decisiones basada en datos. Gartner^® predice que hasta 2026, las organizaciones abandonarán el 60% de los proyectos de IA que no cuenten con datos preparados para la IA.¹ .

Al mismo tiempo, el 36% de las empresas todavía obtienen más de la mitad de sus ingresos comerciales de las aplicaciones de mainframe, y el 21% obtienen más de tres cuartas partes.² Cuando el linaje comienza en el almacén de datos, la plataforma de inteligencia empresarial (BI) o el flujo de trabajo de IA, puede omitir reglas comerciales críticas, transformaciones, movimientos de archivos, trabajos por lotes, lógica de la aplicación y dependencias del sistema de origen que dieron forma a los datos antes de su llegada.

Los líderes empresariales, los equipos de gobernanza y los ingenieros de datos necesitan respuestas a las mismas preguntas fundamentales: de dónde provienen los datos, qué sistemas y procesos los crearon, cómo cambiaron a lo largo del proceso y qué informes, aplicaciones, modelos y procesos comerciales posteriores dependen de ellos.

Por qué el contexto del sistema fuente importa ahora más que nunca.

El linaje de datos ha sido fundamental para la gobernanza, el cumplimiento normativo y la calidad de los datos. Sin embargo, su importancia aumenta a medida que las empresas transitan del uso de datos basado en análisis a la toma de decisiones asistida por IA y los flujos de trabajo automatizados.

Las iniciativas de IA dependen de algo más que la disponibilidad de datos. Requieren datos precisos, explicables, actualizados, controlados y vinculados al contexto empresarial.

El contexto empresarial se origina en los sistemas operativos donde se producen los eventos de negocio. Para muchas organizaciones, sobre todo en sectores regulados, estos sistemas siguen incluyendo plataformas mainframe y heredadas que constituyen la fuente principal de datos empresariales críticos. Cuando estos entornos quedan fuera de la cobertura de linaje, las organizaciones no solo carecen de un nodo técnico en un gráfico, sino que también se pierden la información operativa clave que respalda los datos.

Eso tiene consecuencias reales.

Un informe regulatorio se vuelve más difícil de defender cuando los equipos no pueden rastrear las cifras hasta los sistemas de registro que las generaron. Un problema de calidad de datos tarda más en resolverse cuando los equipos pueden ver la falla posterior, pero no la causa anterior. Cualquier iniciativa de cambio se vuelve más arriesgada cuando los equipos no comprenden qué informes, aplicaciones, productos de datos o flujos de IA dependen del sistema que se está modificando. Una iniciativa de IA se vuelve más difícil de gestionar cuando los equipos no pueden explicar el origen de los datos utilizados para fundamentar los resultados del modelo o las recomendaciones del agente.

Por qué la IA aumenta la importancia del linaje

La IA transforma las expectativas de las organizaciones respecto a los datos empresariales. Ya no basta con que los datos estén disponibles, catalogados o aprobados para su uso en un panel de control. A medida que los datos se convierten en la base de copilotos, modelos, agentes y flujos de trabajo de toma de decisiones automatizados, las organizaciones necesitan comprender si esos datos son lo suficientemente explicables como para generar confianza. Esto requiere más que una simple visión del producto de datos final; exige visibilidad de todo el recorrido que siguieron los datos antes de llegar a un flujo de trabajo de IA.

Los sistemas de IA heredan los puntos ciegos de los datos que los alimentan. Cuando el análisis de procedencia comienza después de que los datos ya han sido transformados, agregados, replicados o separados del contexto de su sistema de origen, los equipos no pueden explicar cómo se crearon esos datos, qué cambió durante el proceso ni qué supuestos están implícitos en ellos.

A medida que la IA pasa de generar información a influir en las decisiones y acciones, estas brechas se vuelven cada vez más significativas. Los usuarios empresariales necesitan tener la certeza de que las respuestas, recomendaciones y acciones óptimas generadas por la IA se basan en información actual, fidedigna y explicable.

Ahí radica la importancia del linaje como componente fundamental para la preparación ante la IA. Proporciona evidencia de que las organizaciones comprenden los datos que respaldan la inteligencia y pueden demostrar su origen, cómo evolucionaron y por qué son confiables.

Lo que hace posible el linaje completo

Cuando el linaje se extiende desde los sistemas operativos hasta las plataformas de datos modernas, las organizaciones obtienen más que un mejor gráfico. Obtienen el contexto necesario para tomar decisiones con mayor confianza.

Análisis más rápido de la causa raíz de los problemas de calidad de datos: Los problemas de calidad de datos suelen surgir en etapas posteriores del proceso, pero su origen generalmente se encuentra en etapas anteriores. Un defecto en un campo de origen, un trabajo por lotes, un proceso de transformación o definiciones de negocio contradictorias pueden generar problemas que se manifiestan en otros lugares. Con un linaje completo, los equipos pueden rastrear los problemas hasta su origen en lugar de depender de investigaciones manuales y documentación inconexa. Esto reduce el esfuerzo y aumenta la confianza en la solución de problemas.

Informes regulatorios más sólidos: Los informes regulatorios requieren más que cifras exactas. Las organizaciones deben poder demostrar el origen de una cifra, cómo se calculó y cómo se distribuyó dentro del sistema. Cuando el linaje excluye el sistema de registro, demostrar la cadena de custodia se vuelve difícil. Un linaje completo conecta los resultados de los informes con los sistemas operativos y las transformaciones que los generaron.

Modernización más segura: Antes de modernizar, reemplazar, integrar o retirar un sistema, los equipos necesitan visibilidad de los informes, aplicaciones, productos de datos, procesos y flujos de IA que dependen de él. Los sistemas heredados suelen contener años de lógica empresarial acumulada y dependencias mal documentadas en otros lugares. El linaje completo revela esas relaciones antes de realizar cambios, lo que ayuda a los equipos a identificar riesgos con antelación y a tomar decisiones de modernización con mayor confianza.

Mayor preparación de la IA y los agentes: Los sistemas, copilotos y agentes de IA dependen de datos explicables y controlados. Cuando el linaje se remonta a las fuentes operativas, las organizaciones obtienen el contexto necesario para comprender, controlar y confiar en los datos que respaldan los resultados y las decisiones generadas por la IA.

Dónde encajan Rocket y Ataccama

Ataccama ONE proporciona la experiencia centralizada de linaje y gobernanza, donde los equipos consumen, gestionan y actúan sobre el linaje en toda la empresa. Los escáneres Rocket funcionan como fuentes de linaje compatibles dentro de ese entorno, por lo que los metadatos generados por Rocket aparecen en el mismo gráfico e interfaz que el linaje producido por los escáneres nativos de Ataccama.

Rocket amplía esa visibilidad a los sistemas operativos, aplicaciones, bases de datos, trabajos, código y procesos de transformación que a menudo quedan fuera de la cobertura de linaje moderna. Juntos, Rocket y Ataccama conectan los entornos donde se originan los datos empresariales críticos con las plataformas modernas donde se gestionan, analizan y, cada vez más, son utilizados por la IA.

Capturar el linaje en las plataformas modernas es solo una parte del desafío. La tarea más difícil es rastrear los datos a través de décadas de lógica de transformación oculta en código procedimental, programación y orquestación de tareas complejas con ramificaciones condicionales, y almacenamiento no relacional fragmentado y sin contexto. La amplia experiencia de Rocket en entornos operativos complejos extiende el linaje a los sistemas donde se crean los datos empresariales críticos: los sistemas que Rocket ha gestionado y modernizado con empresas durante años.

Sin visibilidad de los sistemas previos y los puntos de transformación, las organizaciones solo ven las etapas finales del ciclo de vida de los datos. Rocket y Ataccama, en conjunto, ofrecen una visión continua desde el origen operativo hasta el consumo controlado, lo que ayuda a los equipos a comprender no solo dónde se encuentran los datos, sino también de dónde provienen, cómo han cambiado y qué depende de ellos.

Ahí es donde el linaje se convierte en algo más que documentación. Se convierte en un mecanismo de confianza.
Consideremos un desafío común al que se enfrentan las instituciones financieras: validar una cifra clave en sus informes y demostrar su origen.

¿Qué ocurre si no se puede rastrear el origen de un número de informe reglamentario?

Antes: linaje fragmentado

Una organización de servicios financieros está preparando un informe regulatorio trimestral. La cifra reportada es visible en el entorno de análisis, pero el rastro se interrumpe antes de llegar a los sistemas donde se originaron los datos subyacentes de cuentas, transacciones y saldos.

Cuando un revisor cuestiona la cifra, los ingenieros de datos, los equipos de aplicaciones, los analistas y las partes interesadas en la gobernanza investigan su parte del proceso. Sin una visión completa desde la fuente hasta el informe, demostrar cómo se obtuvo la cifra se convierte en un proceso manual y laborioso.

El resultado: retraso en la validación, mayor esfuerzo de auditoría y menor confianza en la capacidad de la organización para defender la cifra declarada.

Después: Rocket Data Intelligence y Ataccama

Gracias a Rocket Data Intelligence, que extiende el linaje a los sistemas operativos, y a Ataccama, que proporciona una experiencia centralizada de linaje y gobernanza, los equipos pueden rastrear la cifra del informe hasta sus sistemas de origen, transformaciones y dependencias.

Cuando se cuestiona la cifra, la organización puede ver rápidamente de dónde provienen los datos, cómo cambiaron y qué sistemas contribuyeron al resultado final.

El resultado: una validación más rápida, una mayor confianza en las auditorías, una reducción del esfuerzo manual y una base más fiable para la elaboración de informes, la gobernanza y las iniciativas de IA.

En el próximo artículo, examinaremos cómo el linaje confiable, los metadatos y el contexto empresarial contribuyen a la preparación para la IA y ayudan a las organizaciones a generar confianza en los datos que impulsan el análisis, la automatización, los copilotos y los agentes.

Mientras tanto, explore cómo Rocket Data Intelligence y Ataccama trabajan juntos para proporcionar visibilidad integral en entornos de datos operativos y modernos.

Acerca de esta serie

La serie comenzó explorando por qué el linaje incompleto crea puntos ciegos. Ataccama demostró cómo extender la visibilidad a través de entornos de mainframe, distribuidos y en la nube crea el linaje completo necesario para respaldar las iniciativas de gobernanza, análisis, modernización e inteligencia artificial.

En el siguiente artículo, Ataccama explora la transición de los datos explicables al uso gobernado de los datos. El linaje completo en todos los entornos ayuda a las organizaciones a comprender el origen, las transformaciones, las dependencias y el impacto de los cambios posteriores en los datos. La gobernanza responde entonces a la pregunta crucial: ¿Deberían utilizarse estos datos para esta decisión? A medida que la IA adquiere mayor influencia en los resultados empresariales, las organizaciones necesitan ambas respuestas. Es ahí donde la gobernanza basada en políticas se vuelve esencial.