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

IA en manufactura se duplica, pero la gobernanza de datos no sigue el ritmo

LR
La Redacción
16 de nov de 2026 · 5 min de lectura
IA en manufactura se duplica, pero la gobernanza de datos no sigue el ritmo

La adopción de inteligencia artificial en el sector manufacturero se duplicó en el último año según un informe de Netskope, pero ese crecimiento acelerado viene acompañado de un aumento paralelo en brechas de gobernanza de datos, uso no autorizado de IA generativa por parte de empleados (shadow AI) y amenazas de seguridad emergentes. La combinación de los tres factores configura un escenario de riesgo sistémico para un sector que históricamente invirtió más en automatización de procesos que en gestión del ciclo de vida del dato.

El reporte de Netskope —que analiza el tráfico de red y el comportamiento de aplicaciones en clientes corporativos del sector industrial— detectó que el uso de herramientas de IA en entornos de fabricación creció a una velocidad que las estructuras internas de control no lograron acompañar. No se trata de un problema de adopción, sino de un desajuste entre velocidad de despliegue y madurez de los marcos de gobierno que deben sostenerlo. En términos del DAMA-DMBOK, el gap se concentra en las áreas de Data Security, Data Quality y Metadata Management: exactamente las tres que más se tensan cuando los modelos de IA empiezan a consumir datos operativos sin clasificación previa ni ownership definido.

Shadow AI: el riesgo que no figura en el inventario de activos

El shadow AI —uso de aplicaciones de IA generativa no aprobadas por el área de TI o el equipo de gobernanza— emergió como uno de los hallazgos centrales del informe. En manufactura, el fenómeno toma una forma concreta: operarios, técnicos e ingenieros de planta que usan herramientas públicas de IA para resolver problemas de producción, procesar manuales técnicos o generar reportes, sin que esos flujos pasen por ningún control de clasificación de datos. El resultado es que información sensible —especificaciones de producto, datos de proveedores, parámetros de proceso— sale de los perímetros corporativos hacia modelos de terceros, sin rastro en ningún data catalog ni data lineage registrado. Según el enfoque Non-Invasive Data Governance de Bob Seiner, este tipo de comportamiento no se combate con prohibición sino con habilitación controlada: si los data stewards no proveen canales aprobados y usables, los empleados construirán los propios.

Qué falló en la clasificación y el ownership del dato industrial

Las brechas de gobernanza identificadas por Netskope apuntan a un problema estructural de larga data en la industria manufacturera: los datos operativos —los que provienen de sensores, PLCs, sistemas SCADA y ERP de planta— históricamente no fueron tratados como activos con owner, clasificación de sensibilidad ni política de retención. Cuando esos datos empiezan a alimentar modelos de IA, la ausencia de metadata de negocio se convierte en un pasivo. Sin saber qué contiene un dataset, quién es responsable de su calidad ni bajo qué condiciones puede compartirse, no es posible aplicar controles de acceso diferenciados ni cumplir con requerimientos de auditoría. El marco CDMC (Cloud Data Management Capabilities) del EDM Council identifica este escenario como un déficit en las capabilities de Data Classification y Data Accountability, que son prerequisito para cualquier despliegue responsable de IA sobre datos de operaciones.

Cuándo aplica esta problemática y cuándo NO

Esta dinámica aplica de forma directa en empresas manufactureras medianas y grandes que ya desplegaron o están evaluando herramientas de IA sobre datos de producción, cadena de suministro o mantenimiento predictivo. También aplica en entornos OT/IT convergidos donde los datos de planta empiezan a fluir hacia plataformas cloud. No aplica —o aplica de forma atenuada— en operaciones industriales altamente aisladas donde los sistemas de control no tienen conectividad con aplicaciones de IA externas, ni en empresas que aún están en fases muy tempranas de digitalización sin ningún componente de IA activo. El riesgo de shadow AI, en particular, es proporcional al nivel de acceso que los empleados tienen a internet desde sus dispositivos de trabajo.

El ángulo que las plantas industriales de LATAM no pueden ignorar

En América Latina, el sector manufacturero opera bajo marcos regulatorios que ya imponen obligaciones sobre los datos que estas brechas ponen en riesgo. En Brasil, la Lei Geral de Proteção de Dados (LGPD) exige base legal para el tratamiento de datos personales —incluyendo los de empleados de planta— y la Autoridade Nacional de Proteção de Dados (ANPD) ha avanzado en lineamientos sobre tratamiento automatizado. En México, la LFPDPPP establece principios de responsabilidad y seguridad que aplican a cualquier operación de tratamiento, incluidas las que involucran IA. En Argentina, la Ley 25.326 y la AAIP establecen obligaciones de seguridad que se activan cuando datos personales son procesados por herramientas no auditadas. Para los CDOs de plantas industriales en la región, el primer paso no es seleccionar una plataforma de gobernanza: es levantar un inventario de qué herramientas de IA están usando los equipos hoy, con o sin autorización, y qué datos están ingresando en ellas.

Un CDO en una planta manufacturera que lea este informe debería priorizar tres acciones concretas esta semana: primero, auditar el uso actual de aplicaciones de IA generativa en la organización —herramientas como Netskope, Zscaler o Microsoft Defender for Cloud Apps permiten hacer esa visibilidad sin instalar agentes adicionales—; segundo, aplicar una clasificación de sensibilidad mínima a los datasets operativos que ya están en uso por modelos de IA, asignando un data steward responsable por dominio (producción, cadena de suministro, RRHH de planta); tercero, diseñar una política de IA aprobada que reduzca la fricción para el usuario final, porque el shadow AI no desaparece por decreto sino cuando el canal oficial es más conveniente que el no oficial.

El informe completo de Netskope sobre adopción de IA en manufactura está disponible en el sitio oficial de la compañía; los frameworks DAMA-DMBOK y CDMC del EDM Council son el punto de partida recomendado para estructurar el diagnóstico de madurez interno antes de escalar cualquier iniciativa de IA industrial.

El briefing semanal de datos, privacidad e IA en LATAM

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