Tu agente de IA quiere tus datos. Así es como puedes protegerlos - Jeff Smith, Oracle

Original · Your AI Agent Wants Your Data. Here's How to Lock It Down - Jeff Smith, Oracle

21:403 min readAI Engineer10/31/2026Computing/Software · Internet Technology

Key Takeaway

La integración de servidores MCP y bases de datos con soporte nativo de vectores permite conectar agentes de inteligencia artificial de forma segura y estructurada sin comprometer información sensible.

Highlights

  • Oracle incluye soporte nativo para vectores y grafos dentro de su base de datos para facilitar canales de RAG unificados con una sola interfaz SQL.

  • La traducción de lenguaje natural a SQL presenta riesgos de confiabilidad y requiere un uso intensivo de tokens mediante la exploración por fuerza bruta de diccionarios de datos.

  • Oracle implementa servidores MCP y herramientas personalizadas basadas en informes parametrizados para evitar que los LLM generen consultas SQL incorrectas.

  • La seguridad de los datos impulsada por IA se gestiona directamente en la capa de la base de datos utilizando el inicio de sesión único de la organización y control de acceso basado en roles.

  • La plataforma permite escanear documentación corporativa para rellenar metadatos y anotaciones que optimizan la precisión de las consultas generadas por agentes.

Timeline

  1. Introducción a la base de datos de IA de Oracle y los servidores MCP

    Se analiza la evolución de las bases de datos para soportar cargas de trabajo de inteligencia artificial mediante la incorporación de vectores y grafos nativos. Esta arquitectura unificada evita la replicación de información en múltiples plataformas y permite centralizar la consulta a través de una interfaz SQL.

    • Oracle integra vectores y grafos de forma nativa dentro de una única instancia de base de datos.
    • Los agentes de inteligencia artificial se benefician del acceso directo a datos empresariales estructurados y no estructurados.
    • El protocolo MCP permite conectar bases de datos con asistentes de lenguaje natural de manera estandarizada.
  2. Casos de uso y limitaciones del lenguaje natural a SQL

    Se examinan los desafíos operativos de convertir consultas en lenguaje natural directamente en comandos SQL. Debido al riesgo de obtener interpretaciones incorrectas y un alto consumo de tokens, se propone el uso de informes expuestos como herramientas controladas que el agente puede invocar de forma segura.

    • Los directivos y equipos de negocio realizan preguntas constantes que saturan los recursos tradicionales de inteligencia empresarial.
    • La generación directa de SQL mediante modelos de lenguaje puede producir resultados erróneos aunque la sintaxis parezca correcta.
    • Oracle utiliza catálogos de informes predefinidos y parametrizados para reducir los errores de generación de código por parte de los LLM.
  3. Optimización de rendimiento y exploración de esquemas

    Se detalla cómo los administradores de sistemas y DevOps pueden aprovechar agentes de IA para diagnosticar problemas de rendimiento utilizando copias de seguridad o réplicas seguras. Asimismo, se explica la importancia de enriquecer el diccionario de datos con anotaciones y metadatos provenientes de documentación externa para guiar al modelo.

    • Los ingenieros de DevOps utilizan entornos de solo lectura para permitir que los agentes investiguen problemas de rendimiento.
    • La ingestión de documentación corporativa y páginas de Confluence en la base de datos mejora la comprensión del esquema de datos.
    • Las herramientas de metadatos y anotaciones reducen la necesidad de que los modelos exploren tablas mediante fuerza bruta.
  4. Seguridad de datos y conclusiones sobre MCP

    Se enfatiza la importancia de aplicar controles de seguridad directamente en la capa de la base de datos en lugar de depender exclusivamente de las herramientas externas. Mediante el uso de credenciales corporativas y filtrado dinámico, se garantiza que los agentes de IA solo accedan a la información autorizada para cada perfil.

    • La autenticación se gestiona a través del inicio de sesión único corporativo para determinar los permisos de cada usuario.
    • La base de datos filtra dinámicamente los resultados devueltos al agente según los roles y ámbitos asignados.
    • Oracle ofrece recursos adicionales y documentación técnica en su sitio web oficial para la implementación de aplicaciones MCP.

Description

Jeff Smith has built database tools at Oracle for 25 years, and he's here to make agents and databases get along safely. He explains why natural language to SQL is powerful but risky, since queries can run cleanly and still return the wrong data, and how Oracle's MCP server makes it safer: offering your team's vetted reports as tools instead of ad hoc SQL, pointing agents at a read-only standby for performance tuning, annotating schemas so agents stop brute-forcing your data dictionary, and deep data security that strips out rows a user isn't allowed to see before results ever reach the agent. Chapters: 0:00 Intro 0:56 What is the Oracle AI Database? 3:28 Why agents need database access 5:07 Use case 1: Reports as tools 7:09 Why natural language to SQL is risky 9:43 List reports, execute reports 11:30 Use case 2: Performance tuning 14:48 Use case 3: Schema docs for agents 17:27 Security: who's asking? 20:42 What's coming Jeff Smith https://www.oracle.com Join us in SF for the second annual AIE CODE summit: https://aie.codes our last flagship summit of 2026. Applications live now!

Write about this video