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

IA responsable y gobernanza de datos: las tres tensiones que definen el rol del líder de datos hoy

LR
La Redacción
10 de nov de 2026 · 4 min de lectura
IA responsable y gobernanza de datos: las tres tensiones que definen el rol del líder de datos hoy

La conversación sobre inteligencia artificial responsable y gobernanza de datos convergió en un punto que incomoda a muchas organizaciones: los marcos técnicos existen, pero la ejecución sigue dependiendo de decisiones humanas con accountability difuso. Líderes de datos en distintas industrias enfrentan hoy tres tensiones que ningún framework resuelve solo.

Durante años, la gobernanza de datos se trató como una disciplina de back-office: catálogos, diccionarios de datos, políticas de retención. La irrupción de sistemas de inteligencia artificial en procesos de negocio críticos cambió esa ecuación. Hoy, un modelo de crédito mal gobernado no solo produce un error interno, puede discriminar a miles de personas y exponer a la organización a sanciones regulatorias en múltiples jurisdicciones. El CDO —Chief Data Officer— dejó de ser el custodio de los datos para convertirse en el árbitro de decisiones con consecuencias legales y reputacionales directas.

Primera tensión: velocidad de adopción de IA versus madurez del dato subyacente

Los equipos de negocio despliegan modelos de machine learning sobre conjuntos de datos cuya calidad, linaje (data lineage) y clasificación nadie ha validado formalmente. El resultado es predecible: outputs sesgados, auditorías fallidas y ciclos de remediación costosos. El DAMA-DMBOK define el data quality como una de las diez áreas de conocimiento fundamentales de la gestión de datos, y sitúa el data lineage —la trazabilidad del dato desde su origen hasta su uso— como prerequisito de cualquier análisis confiable. Sin embargo, según estimaciones recurrentes del sector, menos del 30% de las empresas medianas en América Latina cuentan con un catálogo de datos activo y mantenido. Desplegar IA sobre esa base no acelera la organización: la fragiliza.

Segunda tensión: marcos regulatorios de IA que presuponen controles de datos que aún no existen en muchas organizaciones

El AI Act europeo, vigente desde agosto de 2024, exige para sistemas de IA de alto riesgo documentación de los datos de entrenamiento, gestión de sesgos y registros de auditoría. Brasil avanza en su marco de regulación de inteligencia artificial con un proyecto que, según se informó en la última versión del texto, sigue de cerca esa lógica de proporcionalidad según el riesgo del sistema. México, por su parte, opera aún sin una ley específica de IA, aunque la LFPDPPP obliga a las empresas a informar cuando decisiones automatizadas afectan derechos de los titulares. El denominador común: todos estos marcos presuponen que la organización ya sabe qué datos tiene, dónde están, quién es su data steward —el responsable operativo de cada dominio de datos— y qué calidad presentan. Para la mayoría de las empresas latinoamericanas, esa presunción es optimista.

Tercera tensión: el liderazgo de datos entre la función técnica y la función ejecutiva

El CDO moderno no puede ser solo un arquitecto de datos con título ejecutivo. Necesita negociar prioridades con el CFO, explicar riesgos al directorio y, simultáneamente, mantener la coherencia de los programas de gobernanza frente a la presión de los plazos de negocio. El EDM Council, en su modelo DCAM (Data Capability Assessment Model), identifica la alineación entre estrategia de datos y estrategia de negocio como la capability más difícil de alcanzar, precisamente porque requiere competencias que no son ni puramente técnicas ni puramente gerenciales. John Ladley, referente en gobernanza de datos, ha señalado que los programas de gobernanza fracasan con más frecuencia por falta de patrocinio ejecutivo que por deficiencias metodológicas.

Cuándo aplica este análisis y cuándo NO

Este marco de tensiones aplica directamente a organizaciones con más de 500 empleados que están desplegando o evaluando sistemas de IA en procesos que afectan a clientes, empleados o terceros —decisiones de crédito, scoring, contratación automatizada, atención al cliente con modelos generativos. No aplica de la misma forma a startups en etapa temprana sin sistemas de decisión automatizada, ni a organizaciones que usan IA exclusivamente en análisis internos sin impacto en derechos de personas. Para estas últimas, la urgencia es menor, aunque la construcción de capacidades de gobernanza sigue siendo recomendable antes de escalar.

Lo que un líder de datos puede hacer esta semana con este diagnóstico

El primer paso no es contratar consultores ni adquirir herramientas: es mapear qué sistemas de IA en producción carecen de un data steward asignado y de documentación de linaje. Ese inventario, que debería tomar entre dos y cuatro semanas en una organización mediana, es la base para cualquier conversación seria con el directorio sobre riesgo regulatorio. En paralelo, revisar si los contratos con proveedores de IA incluyen cláusulas de portabilidad y auditoría de datos de entrenamiento: en Argentina, la Ley 25.326 y las disposiciones de la AAIP ya permiten a los titulares reclamar información sobre decisiones automatizadas; en Brasil, el artículo 20 de la LGPD establece el derecho a revisión de decisiones automatizadas. Si la organización no puede responder a esos reclamos hoy, tiene un problema de gobernanza, no solo de tecnología.

Para profundizar en los requisitos de gestión de datos bajo el AI Act y su relación con marcos como DCAM, el repositorio del EDM Council (edmcouncil.org) publica guías de implementación actualizadas que pueden servir como punto de partida para un diagnóstico interno.

El briefing semanal de datos, privacidad e IA en LATAM

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