Nuevo Hype Cycle™: avances y desafíos en la modernización de servicios sociales. Descubre el informe de Gartner.
Cada año, Gartner publica sus Hype Cycles, representaciones que muestran en qué punto de madurez y adopción se encuentra un conjunto de tecnologías dentro de un sector o una disciplina. Cada tecnología se ubica en una curva que va del entusiasmo inicial a la consolidación productiva, pasando por una fase de expectativas infladas y otra de desilusión. Es una herramienta que ayuda a distinguir qué está listo para adoptarse y qué todavía necesita madurar.
El Hype Cycle for Human and Social Services in Government, 2026 se enfoca en un sector que está bajo una presión doble. Administra un gasto público enorme (4,92 billones de euros en la UE en 2024, 4,82 billones de dólares en Estados Unidos en 2025) y, a la vez, carga con el mandato de ganar eficiencia y contener costos sobre sistemas legacy que vienen de hace décadas. Esa combinación explica el salto en la inversión en IA: según el 2026 Gartner CIO and Technology Executive Survey, el 84% de los responsables de tecnología del sector aumenta este año su financiación en IA generativa.
El insight principal del informe es que estas organizaciones recurren a la IA generativa y agéntica para modernizar sistemas legacy y acelerar el desarrollo de software, con la expectativa de automatizar procesos que hoy son manuales. La IA se convirtió en la vía para modernizar el código sobre el que funcionan servicios que gestionan prestaciones, salud e identidad de millones de personas.
Pero el propio informe marca un límite a esa expectativa, y ese límite es relevante mucho más allá del sector público: alcanza a cualquier organización que se modernice con IA sobre datos regulados. De qué se trata ese límite, y por qué termina apuntando a los datos de prueba, es lo que desarrollamos a continuación.
El propio informe pone un freno a la euforia. Gartner anticipa que un reemplazo a gran escala de las aplicaciones empresariales por IA agéntica es improbable de aquí a 2030. Y las razones que da no tienen que ver con la madurez de los modelos, sino con el terreno sobre el que operan. El informe identifica tres factores:
El límite de la modernización, en definitiva, está en el estado de los datos. Y hay un punto del ciclo de desarrollo que arrastra ese problema con particular claridad: los datos con los que se prueba el software.
El Test Data Management es la práctica de aprovisionar y gobernar los datos que usan los equipos de desarrollo para validar el rendimiento, la funcionalidad y la seguridad de las aplicaciones. Gartner lo define así en el informe:
"DevOps test data management (TDM) is the practice of provisioning and governing data used by DevOps teams to validate application performance, functionality and security. It includes copying, masking and anonymizing production data, alongside increasing use of automation, synthetic data and AI‑assisted techniques to deliver scalable, compliant, fit‑for‑purpose test data."
— Gartner, Hype Cycle for Human and Social Services in Government, 2026
Por la exposición a riesgos de privacidad y cumplimiento, el TDM involucra habitualmente a perfiles de aplicación, de datos y de seguridad al mismo tiempo.
A medida que la IA acelera el desarrollo, hay una parte del ciclo que no escala al mismo ritmo: la preparación de los datos con los que se prueba ese software. Gartner lo describe de forma directa en la sección Why This Is Important del informe:
"Software delivery velocity has increased through DevOps automation and AI‑assisted development, but test data practices have not kept pace. The traditional approach is increasingly at odds with the requirements for efficiency, quality, privacy and security. Manual refresh cycles, reliance on production data and slow approvals introduce delays that undermine continuous testing. As engineering teams scale automation, access to test data becomes essential to maintain quality and trust."
— Gartner, Hype Cycle for Human and Social Services in Government, 2026
Usar datos de producción sería lo más fiel a la realidad, pero en sectores que manejan prestaciones, salud o identidad de personas es inviable por seguridad y por cumplimiento. Lo que se necesita son datos representativos, que no correspondan a personas reales y que estén disponibles en el momento en que el equipo va a testear. El método tradicional, con refrescos manuales y aprobaciones lentas, introduce demoras que traban la integración y la entrega continuas (CI/CD).
El informe traza una serie de drivers y obstáculos que ayudan a entender por dónde va la categoría. Entre los factores que impulsan su adopción, Gartner señala la creciente presión regulatoria y de auditoría, y el hecho de que las aplicaciones dependen de estructuras de datos cada vez más complejas e interconectadas, lo que aumenta la demanda de herramientas capaces de coordinar y sincronizar datos preservando la consistencia relacional.
Entre los obstáculos, hay uno especialmente citado por los equipos: la dificultad para demostrar el ROI. Los beneficios de un buen TDM suelen ser indirectos (reducción de riesgo, eficiencia de flujo, experiencia del desarrollador), lo que complica justificar la inversión más allá de la mitigación del riesgo. Es un problema que puede resolverse con un modelo de cálculo específico, en lugar de dejarlo librado a la percepción.
Sobre las recomendaciones, Gartner propone entre otras: tratar los datos de prueba como una capacidad de plataforma compartida (no como una actividad puntual de la fase de test), documentar los procesos actuales de aprovisionamiento y aprobación para detectar cuellos de botella, y evaluar las herramientas de TDM por su capacidad de automatización, de descubrimiento de datos, los tipos de enmascaramiento soportados y la habilidad de coordinar cambios para mantener la consistencia (por ejemplo, en campos clave) a través de múltiples fuentes.
Lo que define a los servicios sociales de gobierno no es ser gobierno, sino ser un entorno de máxima regulación y máxima sensibilidad de datos. Ese perfil lo comparten la banca, los seguros, la salud y las telecomunicaciones. Cualquier organización que se modernice con IA sobre datos personales regulados enfrenta el mismo cuello de botella y los mismos cuatro requisitos a resolver a la vez: eficiencia, calidad, privacidad y seguridad. El informe lo retrata en el entorno más exigente que existe, y por eso funciona como caso extremo: si ahí la categoría es crítica, en el resto del mundo regulado también lo es.
Según Gartner, el TDM tiene hoy un beneficio calificado como Moderate, una penetración de mercado del 5% al 20% de su público objetivo y una madurez Adolescent. Son las coordenadas de una categoría que está saliendo de la fase de expectativas infladas y avanza hacia estados de mayor adopción.
En este informe, icaria Technology figura como Sample Vendor de DevOps Test Data Management, junto a otros proveedores de la categoría. Es un reconocimiento que se suma a menciones anteriores en investigaciones de Gartner y en Gartner Peer Insights.
icaria TDM aprovisiona datos representativos de producción, sin información sensible, preservando la profundidad histórica, las relaciones complejas y la integridad referencial entre aplicaciones. Es la forma de sostener el testing continuo sin exponer datos personales reales.
¿Querés leer el análisis completo de Gartner? Descargá el Hype Cycle for Human and Social Services in Government, 2026 aquí.
