Cuatro de cada diez empresas en América Latina ya operan con alguna forma de inteligencia artificial, pero apenas el 18% cuenta con estructuras formales de gobernanza para esos sistemas, según se informó. La brecha no es tecnológica: es de gobierno del dato.
El dato condensa un problema estructural que los equipos de gobernanza de datos conocen bien: la velocidad de adopción tecnológica supera de manera sistemática la construcción de controles, políticas y marcos de responsabilidad. Cuando una organización despliega modelos de IA sin haber resuelto quién es el data owner de los conjuntos de datos de entrenamiento, sin un data catalog que registre la procedencia de los datos y sin políticas de calidad validadas, el riesgo no es hipotético: es operativo y, en varios países de la región, también es legal.
La brecha entre adopción y gobierno: qué significa el 18%
Gobernar la IA no equivale a tener un comité de ética en papel. En términos operativos, implica al menos tres capacidades concretas: primero, data lineage —trazabilidad documentada de qué datos alimentan cada modelo, desde la fuente hasta el output—; segundo, ownership definido sobre los datasets críticos, con un data steward responsable de su calidad y uso; y tercero, políticas de ciclo de vida que determinen cuándo un modelo se retira, se audita o se re-entrena. Según el marco DAMA-DMBOK, estas capacidades pertenecen a las áreas de Gestión de Datos de Referencia y Maestros, Calidad de Datos y Gestión de Metadatos. El 82% de las empresas latinoamericanas que usa IA opera sin que esas áreas estén formalizadas para los sistemas que ya tienen en producción.
El EDM Council, a través de su marco CDMC (Cloud Data Management Capabilities), identifica la gobernanza de modelos como una capability diferenciada que requiere inventario de modelos, gestión de riesgos de datos y auditoría de outputs. En LATAM, según se informó, la mayoría de las organizaciones que declaran “usar IA” no tiene siquiera un inventario actualizado de qué modelos corren en producción, quién los mantiene y sobre qué datos operan.
Cuándo aplica la gobernanza de IA — y cuándo no es excusa para frenar la adopción
La gobernanza de IA no es un requerimiento uniforme para toda organización que use un modelo de lenguaje. Aplica con urgencia cuando el sistema toma o informa decisiones que afectan personas —crédito, contratación, salud, scoring— o cuando procesa datos personales a escala. No aplica de la misma forma para herramientas de productividad interna de bajo riesgo. La distinción importa porque uno de los errores más comunes en la región es usar la complejidad del marco de gobernanza como justificación para no adoptar IA, en lugar de usarla para adoptar IA de forma sostenible.
El AI Act de la Unión Europea ya establece una clasificación por riesgo que sirve como referencia incluso para empresas latinoamericanas con operaciones en Europa o que exportan servicios digitales. Brasil avanza con su Marco Legal de IA —en discusión en el Congreso— que sigue una lógica similar de clasificación por nivel de riesgo. México, Colombia y Chile tienen iniciativas regulatorias en distintas etapas, todas con alguna variante del principio de accountability que obliga a las organizaciones a demostrar que sus sistemas de IA son auditables. Empresas que hoy no construyen esa capacidad de demostración enfrentarán un costo de remediación significativamente mayor cuando la norma sea exigible.
Lo que un CDO puede mover esta semana con el dato del 18%
El primer paso no es un roadmap de doce meses: es un inventario de dos semanas. Identificar qué modelos de IA —propios, de terceros vía API, o embebidos en software de gestión— ya están en producción en la organización, qué datos consumen y quién figura como responsable técnico y de negocio de cada uno. Ese inventario es la base del AI model registry que tanto el NIST AI RMF como el CDMC del EDM Council señalan como punto de entrada a la gobernanza de modelos. Sin él, cualquier política que se redacte después será declarativa.
El segundo movimiento es mapear qué datasets de entrenamiento o de inferencia están catalogados en el data catalog corporativo y cuáles no. En organizaciones argentinas que reportan al BCRA bajo la Comunicación A 7724 sobre gestión de riesgos tecnológicos, o en entidades financieras brasileñas bajo la Resolución BCB 85/2021, este mapeo ya tiene implicancias regulatorias directas: la trazabilidad de los datos que alimentan modelos de scoring o de detección de fraude es parte del expediente de auditoría. Para el resto de las industrias, el incentivo es menos inmediato pero igualmente real: sin data lineage sobre los datasets de IA, la organización no puede responder a un regulador —ni a un cliente— si un output discriminatorio o erróneo es cuestionado.
Por qué el 40% de adopción sin gobernanza es un pasivo, no un activo
Una empresa que usa IA sin gobernanza formal está acumulando deuda técnica y regulatoria al mismo tiempo. La deuda técnica se expresa en modelos que degradan su performance sin que nadie lo detecte, en datos de entrenamiento desactualizados o sesgados, y en ausencia de versionado que permita reproducir un resultado. La deuda regulatoria se acumula en cada jurisdicción donde opera: Brasil, Argentina, Colombia, Chile y México tienen o están construyendo marcos que exigirán accountability de los sistemas automatizados de toma de decisiones. La distancia entre el 40% que adoptó y el 18% que gobierna no mide rezago cultural: mide pasivo contingente.
El Marco Legal de IA de Brasil y las iniciativas equivalentes en la región están en etapa de discusión; cuando sean exigibles, las organizaciones que ya tengan el inventario de modelos, el data lineage y el ownership definido habrán convertido ese trabajo en ventaja competitiva auditada. Las que empiecen desde cero pagarán el costo dos veces.





