La irrupción de la inteligencia artificial generativa está forzando a las organizaciones a revisar desde cero sus marcos de gobernanza de datos: los modelos consumen información a una velocidad y escala que los controles tradicionales no estaban diseñados para gestionar. El debate ya no es si gobernar los datos de la IA, sino cómo hacerlo antes de que el costo de no haberlo hecho se vuelva irreversible.
Durante años, la gobernanza de datos fue tratada como una función de soporte —importante, pero no urgente. Esa lógica se quebró cuando los equipos de datos empezaron a alimentar modelos de lenguaje con activos de información cuya calidad, linaje y ownership nadie había trazado formalmente. El resultado es predecible: outputs incorrectos, riesgos legales no anticipados y una incapacidad estructural para auditar decisiones automatizadas. Lo que antes era un problema de reporting interno se convirtió en un problema de responsabilidad corporativa.
Por qué los marcos de gobernanza pre-IA se quedan cortos
Los frameworks de gobernanza diseñados en la era del data warehouse —incluyendo las primeras versiones del DAMA-DMBOK— partían de un supuesto razonable en su momento: los datos tienen ciclos de vida relativamente predecibles, los consumidores son analistas internos y los controles pueden aplicarse por dominio. Los modelos de IA generativa rompen ese supuesto en tres puntos críticos. Primero, consumen datos de múltiples dominios simultáneamente, sin respetar fronteras de ownership. Segundo, producen outputs que son en sí mismos nuevos datos —con linaje opaco, difícil de rastrear hasta la fuente. Tercero, operan a una velocidad que hace inviable la revisión manual caso a caso.
El EDM Council, a través de su framework CDMC (Cloud Data Management Capabilities), ya incorporó controles específicos para entornos de IA en su versión más reciente, incluyendo requisitos de trazabilidad del dato de entrenamiento y mecanismos de auditoría de outputs. Sin embargo, la adopción formal de estos controles en América Latina sigue siendo marginal, concentrada en grandes bancos y telcos con presencia multinacional.
Tres tensiones concretas que los CDO están enfrentando hoy
La conversación sobre gobernanza de datos en la era de la IA se concentra en un conjunto acotado de tensiones operativas que los Chief Data Officers deben resolver sin manual de instrucciones consolidado:
- Calidad del dato de entrenamiento: los modelos amplifican sesgos presentes en los datos de origen. Si el catálogo de datos no tiene perfiles de calidad actualizados, el equipo de IA entrena sobre activos que nadie certificó. El data steward del dominio correspondiente debe ser parte del proceso de aprobación de datasets para entrenamiento, no una consulta posterior.
- Ownership de los outputs generados por IA: cuando un modelo produce un informe, una clasificación o una predicción, ¿quién es el data owner de ese output? La mayoría de los marcos actuales no lo especifican. Sin ownership claro, no hay responsabilidad sobre errores ni mecanismo de corrección.
- Linaje end-to-end: la capacidad de rastrear un output de IA hasta los datos que lo produjeron —data lineage completo— se está convirtiendo en un requisito regulatorio implícito en múltiples jurisdicciones, incluso donde no existe una norma específica de IA. En la práctica, pocos equipos tienen herramientas de linaje que crucen la frontera entre el pipeline de datos y el pipeline de ML.
Cuándo aplica una revisión de governance para IA / cuándo NO
Una revisión del marco de gobernanza orientada a IA aplica cuando la organización está desplegando modelos que consumen datos de producción, cuando los outputs del modelo alimentan decisiones con consecuencias sobre terceros —clientes, empleados, proveedores—, o cuando existe una obligación regulatoria de explicabilidad o auditoría. No aplica —o no es urgente— cuando el uso de IA está restringido a entornos sandbox con datos sintéticos o anonimizados, sin conexión a sistemas de producción ni impacto en decisiones reales.
En América Latina, este umbral de urgencia está siendo acelerado por marcos regulatorios que, aunque no son leyes de IA específicas, ya exigen trazabilidad y explicabilidad en contextos sectoriales. El Banco Central de Brasil, a través de sus resoluciones sobre modelos de crédito, requiere que las instituciones financieras documenten los datos utilizados en decisiones automatizadas. En Argentina, la Comunicación A 7724 del BCRA establece requisitos de gestión de riesgos de modelos que de facto obligan a un nivel de linaje y calidad que muchos equipos de datos aún no tienen instrumentado. En México, la CNBV tiene lineamientos similares para modelos de scoring en entidades supervisadas.
Lo que un CDO puede hacer esta semana sin esperar la estrategia perfecta
La discusión sobre gobernanza de datos e IA suele quedar atrapada en el nivel de política y framework, cuando hay acciones concretas de bajo costo y alto impacto que pueden iniciarse de inmediato. El primer paso es mapear qué datasets de producción están siendo consumidos por modelos en uso —no en desarrollo, en uso real— y verificar si esos datasets tienen un data steward asignado, un perfil de calidad vigente y un contrato de datos documentado. En la mayoría de las organizaciones de la región, ese mapeo revelará entre tres y cinco dominios críticos sin ownership formal. Eso es el punto de partida, no un problema irresoluble.
El segundo paso es revisar si el proceso de aprobación de nuevos proyectos de IA incluye una etapa de revisión de governance del dato —no solo una revisión técnica o de negocio. El modelo de Non-Invasive Data Governance de Bob Seiner ofrece una guía práctica para integrar estos controles sin crear burocracia adicional: el principio central es que las personas que ya trabajan con los datos asuman formalmente el rol de steward, en lugar de crear una capa de gobierno paralela.
Para profundizar en los requisitos de trazabilidad aplicables a modelos en producción, el CDMC del EDM Council y la resolución BCB 4.557 de Brasil son los dos documentos de referencia más directamente aplicables al contexto latinoamericano hoy.
