La inteligencia artificial no falla por falta de algoritmos ni de poder de cómputo: falla porque los datos que la alimentan están mal catalogados, sin dueño claro y sin linaje trazable. La gobernanza de datos no es el paso previo a la transformación digital; es la condición de posibilidad de cualquier iniciativa de IA que aspire a escalar.
Cuando una organización lanza un proyecto de machine learning o un agente de IA generativa, el 60% a 80% del esfuerzo real termina siendo de preparación y limpieza de datos, según estimaciones recurrentes en la industria. Ese número no refleja un problema técnico: refleja la ausencia de un programa de gobernanza de datos maduro. Sin definiciones claras de qué dato es autoritativo, quién es su data steward —el responsable operativo de su calidad e integridad— y cómo se transformó desde el origen hasta el modelo, el output de la IA es, en el mejor caso, impredecible.
Qué es concretamente un cuello de botella de gobernanza
Un cuello de botella de gobernanza no es que “los datos son sucios”. Es un conjunto específico de carencias estructurales: ausencia de un glosario de negocio (business glossary) con definiciones únicas y acordadas entre áreas; falta de un catálogo de datos activo que indique dónde vive cada activo, quién lo consume y con qué frecuencia se actualiza; data lineage inexistente o fragmentado, que impide saber si el campo “ingreso mensual” en el modelo de crédito viene del CRM, del ERP o de una planilla de Excel mantenida por alguien que ya no trabaja en la empresa. Cualquiera de esos tres puntos, por separado, basta para que un proyecto de IA no pase de piloto.
El marco DAMA-DMBOK v2 identifica once áreas de conocimiento en gobernanza de datos; la mayoría de las organizaciones latinoamericanas operan con cobertura parcial en no más de tres o cuatro. El EDM Council, a través de su CDMC (Cloud Data Management Capabilities), ofrece una escala de madurez de doce niveles que permite medir exactamente dónde está la brecha. En la práctica, las empresas que intentan implementar IA sin haber alcanzado al menos el nivel 4 del CDMC —que implica políticas de clasificación de datos documentadas y roles de data steward formalmente asignados— enfrentan retrabajo sistemático en cada sprint.
El rol del CDO y la confusión frecuente con el CIO
Una de las fricciones organizacionales más comunes es la ausencia de un Chief Data Officer con mandato explícito sobre gobernanza, o la delegación de esa función al CIO, cuya prioridad natural es la disponibilidad de sistemas y la infraestructura. La gobernanza de datos requiere decisiones de negocio —qué definición de “cliente activo” es la correcta para el área de riesgo versus la de marketing— que no son decisiones tecnológicas. Bob Seiner, referente en Non-Invasive Data Governance, sostiene que la gobernanza más efectiva es aquella que formaliza las responsabilidades que ya existen informalmente en la organización, en lugar de crear estructuras paralelas que generan resistencia.
En empresas que sí tienen un CDO, el foco operativo debería estar hoy en dos frentes simultáneos: primero, identificar qué dominios de datos alimentan los modelos de IA en producción o en piloto, y auditar si esos dominios tienen ownership definido y SLAs de calidad medibles; segundo, negociar con el área de tecnología la incorporación de metadata de gobernanza —clasificación, linaje, restricciones de uso— en los pipelines de datos desde el diseño, no como capa retroactiva.
Cuándo aplica este diagnóstico y cuándo NO
Este análisis aplica a organizaciones que ya tienen o planean tener modelos de IA consumiendo datos internos: bancos, aseguradoras, retailers con motores de recomendación, utilities con mantenimiento predictivo. No aplica —o aplica con menor urgencia— a organizaciones que usan IA exclusivamente a través de APIs de terceros con datos propios del proveedor, donde el problema de gobernanza de datos internos es secundario al contrato de uso y las cláusulas de procesamiento. Tampoco sustituye a los controles de ciberseguridad: una buena gobernanza no es un control de acceso, aunque una buena clasificación de datos sí informa qué activos requieren controles de acceso más estrictos.
El escenario regulatorio en América Latina agrega urgencia
En Brasil, la Lei Geral de Proteção de Dados (LGPD) exige que las organizaciones puedan demostrar la base legal del tratamiento de datos personales y respondan solicitudes de titulares en plazos definidos. Eso requiere saber exactamente dónde está cada dato personal, con qué propósito fue recolectado y qué sistemas lo procesan: en otras palabras, requiere gobernanza de datos funcional. La ANPD ha comenzado a intensificar su actividad fiscalizadora desde 2024, y las empresas que no pueden responder un DSAR —Data Subject Access Request— en tiempo y forma exponen su falta de catálogo y linaje ante el regulador. En Argentina, la Ley 25.326 y su autoridad de control, la AAIP, plantean obligaciones equivalentes, aunque con menor capacidad sancionatoria histórica. En México, el INAI fiscaliza bajo la LFPDPPP con criterios similares. En todos los casos, la gobernanza de datos no es solo una ventaja competitiva para la IA: es un requisito de cumplimiento regulatorio.
Colombia avanza hacia una reforma de su régimen de datos personales con la SIC como autoridad activa, y Chile opera bajo la Ley 19.628 con un proyecto de modernización que fortalecería las obligaciones de accountability. Para los CDOs de la región, el argumento regulatorio suele ser más eficaz que el argumento de productividad a la hora de conseguir presupuesto para un programa de gobernanza.
Para profundizar en los estándares de madurez aplicables, el CDMC del EDM Council y el DAMA-DMBOK v2 son los marcos de referencia con mayor adopción regional; ambos están disponibles en sus sitios oficiales y tienen comunidades activas en América Latina.
