Las evaluaciones de sistemas de inteligencia artificial en la región revelan un patrón consistente: la gobernanza de datos es la capacidad con mayor brecha de madurez, y su debilidad socava cualquier iniciativa de IA antes de que llegue a producción. Sin datos bien catalogados, con linaje trazable y ownership definido, los modelos operan sobre cimientos inestables.
Cuando una organización decide evaluar su preparación para implementar inteligencia artificial, el diagnóstico casi siempre apunta al mismo cuello de botella: no es la ausencia de talento técnico ni la falta de infraestructura computacional. Es la incapacidad de responder preguntas básicas sobre sus propios datos — quién los posee, qué significan, de dónde vienen y si son confiables. Ese conjunto de capacidades es lo que el marco DAMA-DMBOK agrupa bajo gobernanza de datos, y es precisamente donde los diagnósticos regionales muestran las brechas más pronunciadas.
Por qué la IA expone lo que la gobernanza de datos no resolvió
Un sistema de machine learning o un modelo de lenguaje grande (LLM) desplegado en producción necesita datos de entrenamiento documentados, pipelines auditables y metadata que permita rastrear el origen de cada conjunto de datos. Sin eso, el modelo puede producir resultados correctos en un entorno controlado y fallar de forma impredecible en producción. La IA no crea el problema de gobernanza — lo vuelve visible y costoso. Lo que antes era una deuda técnica tolerada se convierte, en un contexto de IA, en riesgo operativo y regulatorio concreto.
El EDM Council, organismo que administra el marco CDMC (Cloud Data Management Capabilities), identifica 14 capacidades de gestión de datos organizadas en niveles de madurez del 1 al 5. Según evaluaciones publicadas por el mismo consejo, la mayoría de las organizaciones globales opera entre nivel 1 y 2 en las capacidades de data quality, data lineage y data ownership — las tres directamente críticas para proyectos de IA. La región latinoamericana no es la excepción, y en sectores como gobierno, salud y retail, el punto de partida suele ser más bajo que el promedio global.
Qué significa “brecha de gobernanza” en términos operativos
Una brecha de gobernanza en contexto de IA se manifiesta en al menos cuatro formas concretas: primero, datos sin propietario definido (data steward ausente o rol no formalizado); segundo, ausencia de catálogo de datos que permita descubrir qué conjuntos existen y cuál es su calidad; tercero, linaje de datos (data lineage) no documentado, lo que impide saber cómo se transformaron los datos de origen a los datos de entrenamiento; y cuarto, ausencia de políticas de clasificación que distingan datos sensibles, regulados o de uso restringido. Cualquiera de estas cuatro condiciones es suficiente para frenar o invalidar una iniciativa de IA.
Cuándo aplica esta evaluación y cuándo no
Este análisis aplica a organizaciones que están en proceso de adoptar IA con datos propios — sea mediante modelos propietarios, fine-tuning de modelos base, o integración de APIs de modelos externos con datos internos. No aplica en la misma medida a organizaciones que usan IA exclusivamente a través de interfaces de usuario externas sin conectar datos internos, aunque incluso en ese caso la gobernanza de los datos exportados hacia esos sistemas sigue siendo un riesgo que debe gestionarse.
El marco regulatorio en LATAM presiona desde afuera
La presión para mejorar la gobernanza de datos no viene solo del imperativo técnico de la IA. En Brasil, la LGPD (Lei Geral de Proteção de Dados, Lei 13.709/2018) exige que las organizaciones puedan responder solicitudes de titulares sobre el tratamiento de sus datos, lo que requiere exactamente el tipo de catálogo y linaje que las brechas de gobernanza impiden. En México, la LFPDPPP establece obligaciones equivalentes gestionadas por el INAI. En Argentina, la Ley 25.326 y su autoridad de control, la AAIP, han intensificado la supervisión sobre tratamientos automatizados. Una organización que no puede mapear sus flujos de datos para responder a un DSAR (Data Subject Access Request) tampoco puede documentar el entrenamiento de un modelo de IA ante un regulador. La brecha de gobernanza es simultáneamente un problema técnico, un problema de IA y un problema de cumplimiento normativo.
Costa Rica, que en los últimos años ha posicionado su sector tecnológico como uno de los más activos de Centroamérica, enfrenta esta misma tensión: la adopción de IA en sectores como servicios financieros y gobierno digital avanza más rápido que la madurez de gobernanza de datos en las organizaciones que la implementan. La Agencia de Protección de Datos de los Habitantes (PRODHAB) supervisa el cumplimiento de la Ley 8968, que incluye obligaciones sobre tratamientos automatizados relevantes para sistemas de IA.
Tres capacidades para priorizar antes de cualquier proyecto de IA
Con base en los marcos de referencia disponibles — DAMA-DMBOK, CDMC y las recomendaciones del MIT CISR sobre gobierno de datos para IA — hay tres capacidades que deben establecerse antes de escalar cualquier iniciativa de IA con datos propios. Primero, asignar data stewards para los dominios de datos que alimentarán los modelos, con responsabilidades documentadas y formalizadas. Segundo, implementar un catálogo de datos mínimo viable que registre al menos origen, clasificación de sensibilidad y calidad básica de los conjuntos de datos candidatos. Tercero, documentar el data lineage de extremo a extremo para los pipelines de entrenamiento, de modo que cualquier auditoría interna o regulatoria pueda reconstruir cómo se produjo el modelo. Estas tres capacidades no requieren herramientas sofisticadas para comenzar — pueden iniciarse con procesos documentados antes de que exista una plataforma tecnológica dedicada.
Para profundizar en los marcos de referencia, el DAMA-DMBOK 2.0 y la documentación pública del EDM Council sobre CDMC están disponibles en sus respectivos sitios oficiales; la Ley 8968 de Costa Rica y las resoluciones de PRODHAB se encuentran en el Sistema Costarricense de Información Jurídica (SCIJ).
