DATA·TRENDS
Latam
Buenos Aires, ArgentinaNewsletter
DGL Talent - El talento en datos. Lo conocemos.
Data GovernanceExplicativo

Calidad de datos y gobernanza lideran la inversión en IA en empresas de ANZ

LR
La Redacción
11 de nov de 2026 · 5 min de lectura
Calidad de datos y gobernanza lideran la inversión en IA en empresas de ANZ

Las organizaciones de Australia y Nueva Zelanda están priorizando la calidad de datos y la gobernanza por encima de otras iniciativas de inteligencia artificial. El patrón no es casual: sin datos confiables, los proyectos de IA no escalan. Esta tendencia tiene implicancias directas para los equipos de gobierno de datos en América Latina, donde las mismas tensiones se replican con marcos regulatorios propios.

Según se informó, empresas de la región ANZ (Australia y Nueva Zelanda) identificaron la calidad de datos y la gobernanza como sus principales prioridades de inversión vinculadas a inteligencia artificial. El hallazgo refuerza una premisa que el mercado viene validando con costos concretos: los modelos de IA entrenados o alimentados con datos de baja calidad producen resultados poco confiables, y los ciclos de corrección post-producción son significativamente más caros que invertir en gobernanza desde el inicio.

Por qué la gobernanza de datos antecede a la IA funcional

La gobernanza de datos —entendida operativamente como el conjunto de políticas, roles, procesos y controles que determinan quién puede hacer qué con qué datos— no es un requisito burocrático. Es la infraestructura invisible que habilita que un modelo de IA consuma datos con trazabilidad (data lineage), que un data steward pueda certificar la confiabilidad de un dataset antes de que entre al pipeline de entrenamiento, y que la organización pueda explicar las decisiones del sistema ante un auditor o un regulador. Sin esa infraestructura, los proyectos de IA acumulan deuda técnica y deuda de compliance simultáneamente.

El marco DAMA-DMBOK, estándar de referencia para la disciplina, ubica la calidad de datos como uno de sus once ámbitos de conocimiento centrales. El EDM Council, por su parte, integra calidad y gobernanza en su modelo de madurez DCAM (Data Capability Assessment Model) como precondiciones para cualquier iniciativa analítica avanzada. La decisión de las empresas ANZ de poner estas capacidades al tope de sus prioridades de IA es, en ese sentido, consistente con la literatura de la industria, aunque su adopción efectiva sigue siendo desigual incluso en mercados maduros.

Cuándo aplica esta lógica y cuándo NO

Esta priorización es especialmente crítica en casos de uso de IA con alto impacto decisional: scoring crediticio, triaje médico, segmentación de riesgo, contratación automatizada. En esos contextos, un error originado en datos incorrectos o sin linaje verificable puede derivar en decisiones discriminatorias, multas regulatorias o pérdida de licencia operativa. En cambio, para casos de uso exploratorios —prototipado rápido, experimentación interna sin impacto en clientes— una gobernanza más liviana puede ser aceptable como punto de partida, siempre que haya un plan claro de formalización antes de escalar a producción.

Lo que no aplica en ningún escenario: asumir que la herramienta de IA —sea un LLM, un modelo predictivo o un sistema de recomendación— resuelve los problemas de calidad de datos por sí sola. Los sistemas de IA heredan los sesgos y errores de los datos que consumen. No los corrigen; los amplifican con mayor velocidad y a mayor escala.

El estado de la gobernanza de datos para IA en América Latina

En América Latina, la madurez en gobernanza de datos varía significativamente por sector y país. La banca y los servicios financieros muestran el nivel más alto de formalización: en Argentina, las entidades supervisadas por el Banco Central (BCRA) operan bajo la Comunicación A 7724 y normativas complementarias que exigen controles de calidad e integridad de la información de gestión de riesgos, lo que genera capacidades equivalentes a varios dominios del DCAM —aunque sin la certificación formal. En Brasil, la LGPD (Lei Geral de Proteção de Dados) obliga a las organizaciones a mantener registros de actividades de tratamiento que, bien implementados, son el primer eslabón de un catálogo de datos con ownership definido. En México, la LFPDPPP impone obligaciones similares en el sector privado. Ninguna de estas normas es, en sentido estricto, un marco de gobernanza de datos para IA; pero todas generan presión regulatoria que empuja hacia prácticas más ordenadas de gestión del dato.

El problema es que esa presión regulatoria raramente se traduce en programas de gobernanza estructurados. Muchas organizaciones latinoamericanas que hoy despliegan IA lo hacen sobre arquitecturas de datos donde no existe un data steward designado por dominio, donde el data lineage es parcial o inexistente, y donde la calidad de datos no tiene un proceso de medición sistemática con métricas de completitud, exactitud y consistencia. El resultado previsible es el que ya se observa en mercados más avanzados: proyectos de IA que no llegan a producción, o que llegan pero no generan valor sostenible.

Tres decisiones concretas para un CDO que arranca la semana

Si la prioridad de inversión en ANZ confirma que calidad y gobernanza van primero, la pregunta operativa es qué hacer con eso en una organización latinoamericana que ya tiene proyectos de IA en curso. Tres acciones concretas con impacto inmediato:

  • Mapear qué datasets alimentan los modelos de IA en producción e identificar si tienen un data steward asignado y un perfil de calidad documentado. Si no lo tienen, es el primer gap a cerrar antes de cualquier expansión del modelo.
  • Exigir que el equipo de datos entregue métricas de calidad (completitud, exactitud, consistencia) para los dominios críticos que alimentan IA, con una línea de base medida. Sin línea de base no hay mejora posible ni argumento presupuestario defendible ante el directorio.
  • Revisar si el inventario de modelos de IA en uso incluye el origen de los datos de entrenamiento y el proceso de validación de calidad previo al entrenamiento. Ese inventario es además un requisito emergente en marcos regulatorios de IA como el AI Act de la Unión Europea, que comienza a influir en políticas corporativas de empresas latinoamericanas con operaciones o socios europeos.

El NIST AI Risk Management Framework (AI RMF) incorpora la calidad de datos como componente explícito de la gestión de riesgo de sistemas de IA. Las organizaciones latinoamericanas que aún tratan la gobernanza de datos como un proyecto paralelo a la IA, y no como su base, están acumulando un riesgo que tarde o temprano se vuelve visible en producción, en un regulador, o en ambos.

El briefing semanal de datos, privacidad e IA en LATAM

Análisis, regulación y noticias curadas. Sin ruido, directo al punto.