Declararse “AI ready” se convirtió en un ritual corporativo que rara vez sobrevive al primer audit de datos. La promesa de estar preparado para la inteligencia artificial se derrumba sistemáticamente en tres frentes concretos: calidad del dato, gobernanza operativa y confianza institucional en los sistemas de información.
El término “AI ready” proliferó en presentaciones de directorio y comunicados de prensa durante los últimos dos años, pero en la práctica funciona más como señal de aspiración que como diagnóstico técnico. Cuando los equipos de datos intentan construir un pipeline de machine learning o desplegar un modelo de lenguaje sobre datos corporativos, el primer obstáculo no es el algoritmo: es el estado real del dato subyacente. Duplicados, registros incompletos, esquemas inconsistentes entre sistemas heredados y ausencia de un data owner identificable son los bloqueos más frecuentes que reportan los equipos de ingeniería en organizaciones que se autoproclaman preparadas.
Calidad de datos: el prerequisito que nadie quiere medir
La calidad del dato no es un atributo binario. El marco DAMA-DMBOK v2 distingue al menos seis dimensiones relevantes: completitud, consistencia, exactitud, oportunidad, unicidad y validez. Un modelo de IA entrenado o inferido sobre datos que fallan en dos o más de esas dimensiones produce outputs que amplifican los errores de origen, no los corrigen. El problema operativo para un CDO es que la mayoría de las organizaciones no tienen una línea de base medida para ninguna de esas dimensiones. Sin medición, la autoevaluación de “AI readiness” es subjetiva por definición.
El EDM Council, a través de su marco CDMC (Cloud Data Management Capabilities), sitúa la gestión de calidad en las capabilities 5 y 6 de su modelo de madurez. Organizaciones que no han formalizado esas capabilities difícilmente pueden sostener que sus datos son aptos para alimentar sistemas de IA de manera confiable. La certificación CDMC no es un requisito universal, pero sus categorías sirven como checklist diagnóstico independiente del proveedor de nube o de plataforma.
Gobernanza sin data stewards activos es decorativa
El segundo vector de falla es la gobernanza. Muchas organizaciones tienen políticas documentadas, un comité de datos en papel y un catálogo de datos parcialmente poblado. Pero si no existe un data steward con responsabilidad operativa sobre cada dominio crítico —y con tiempo real asignado para esa función, no como tarea residual—, la gobernanza no escala cuando la IA la exige. Bob Seiner, referente en Non-Invasive Data Governance, señala que la gobernanza efectiva requiere asignar responsabilidad sobre el dato a quien ya toma decisiones sobre él, no crear una capa burocrática paralela. En contextos de IA, esa asignación se vuelve urgente porque los modelos consumen datos de múltiples dominios simultáneamente y el data lineage —la trazabilidad del dato desde su origen hasta el output del modelo— debe ser reconstruible para auditar resultados.
En América Latina, este déficit tiene consecuencias regulatorias concretas. Los bancos colombianos sujetos a las circulares de la Superintendencia Financiera sobre gestión de riesgo operativo, y las entidades financieras brasileñas bajo la Resolução CMN 4.557, están obligadas a documentar los datos que alimentan modelos de decisión crediticia. Si el data lineage no existe o está incompleto, el cumplimiento regulatorio es formal pero no sustantivo. El Banco Central de Brasil ya incorporó en su agenda supervisora el uso de modelos algorítmicos, y la CNBV en México avanza en lineamientos similares para fintech. Declararse “AI ready” sin linaje documentado en esos contextos es un riesgo regulatorio concreto, no solo un problema de madurez interna.
Confianza institucional: cuándo aplica y cuándo no
El tercer componente —confianza— es el menos tangible pero el que más frecuentemente determina si un proyecto de IA llega a producción o muere en piloto. La confianza en este contexto tiene dos dimensiones: confianza técnica (¿el equipo de negocio cree que el dato es correcto?) y confianza institucional (¿los usuarios del sistema aceptarán las recomendaciones del modelo?). Ambas se construyen con transparencia sobre las limitaciones del dato, no con afirmaciones de exactitud que luego se contradicen en el uso diario.
La confianza técnica se gana mostrando métricas de calidad accesibles para usuarios no técnicos —dashboards de completitud por dominio, tasas de error en validaciones, antigüedad promedio del dato—. La confianza institucional requiere que los data stewards y los responsables de negocio participen activamente en la validación de los datos de entrenamiento antes del despliegue del modelo, no después del primer incidente.
Cuándo aplica “AI ready” y cuándo no
El concepto tiene sentido como objetivo de roadmap, no como estado presente. Una organización puede afirmar que trabaja hacia la preparación para IA si tiene: (a) una línea de base medida de calidad del dato en al menos sus dominios críticos, (b) data stewards asignados con mandato formal sobre esos dominios, y (c) un catálogo de datos activo con linaje documentado para los procesos que serán automatizados. Sin esos tres elementos simultáneos, “AI ready” describe una intención, no una capacidad.
No aplica —y el término resulta contraproducente— cuando se usa para justificar inversiones en infraestructura de IA antes de resolver los problemas de datos subyacentes. Comprar una plataforma de MLOps o un contrato empresarial con un proveedor de modelos fundacionales no resuelve la calidad del dato de origen. La secuencia importa: primero gobernanza, después arquitectura, después modelos.
Tres verificaciones concretas antes del próximo comité de datos
Para un CDO que necesita evaluar el estado real de su organización, tres preguntas operativas son más útiles que cualquier encuesta de madurez:
- ¿Podés identificar, en menos de 48 horas, el data steward responsable de cada dominio de datos que alimentaría el primer caso de uso de IA priorizado?
- ¿Tenés una métrica de completitud y exactitud medida en los últimos 90 días para esos dominios, con un benchmark definido como umbral de aceptación?
- ¿El linaje de datos desde el sistema fuente hasta el punto de consumo del modelo está documentado y es auditable por un tercero —regulador, auditor externo o equipo de riesgo interno?
Si alguna de las tres respuestas es “no” o “parcialmente”, el roadmap de IA necesita un paso previo de gobernanza, no un paso adicional de tecnología. El DAMA-DMBOK y el CDMC del EDM Council ofrecen marcos de referencia públicos para estructurar ese diagnóstico sin depender de consultoras externas.
Para profundizar en los estándares de referencia: el DAMA-DMBOK v2 está disponible en dama.org y el marco CDMC del EDM Council puede consultarse en edmcouncil.org; ambos son el punto de partida obligado para cualquier diagnóstico serio de preparación para la IA.
