Las instituciones financieras están desplegando inteligencia artificial a un ritmo que sus estructuras de gobernanza de datos no pueden seguir, según un informe de CUBE publicado en noviembre de 2025. El resultado es predecible: los costos de cumplimiento escalan, los auditores encuentran brechas y los reguladores empiezan a preguntar qué datos alimentan esos modelos.
El diagnóstico no es nuevo en la literatura de gobernanza, pero el informe de CUBE lo cuantifica en el sector financiero con un nivel de detalle que merece atención. La brecha entre velocidad de adopción tecnológica y madurez del gobierno del dato no es un problema de presupuesto: es un problema de secuencia. Las organizaciones despliegan modelos antes de tener resueltos los dominios de propiedad del dato (data ownership), la clasificación de activos de información y los controles de acceso que permitirían, en caso de incidente o auditoría, responder con precisión qué dato fue al modelo, con qué propósito y bajo qué base legal.
La brecha de ownership en modelos productivos
El DAMA-DMBOK 2 identifica el gobierno del dato como la función que habilita la gestión del ciclo de vida completo de los activos de información. Cuando una entidad financiera lleva un modelo de scoring crediticio a producción sin haber resuelto quién es el data steward de los conjuntos de entrenamiento, está operando sin la capacidad de responder a una auditoría regulatoria básica. El regulador no pregunta si el modelo funciona: pregunta si los datos que lo alimentan cumplen los requisitos de calidad, retención y propósito compatible con la recolección original. Sin esa trazabilidad —data lineage— la respuesta no existe.
El EDM Council, a través de su marco CDMC (Cloud Data Management Capabilities), define en su capability 8 los controles mínimos de linaje y clasificación que un activo de datos debe tener antes de ser usado en un contexto analítico de alto riesgo. Los modelos de IA en servicios financieros califican, casi sin excepción, como contextos de alto riesgo. Según se informó, gran parte de las firmas relevadas por CUBE no alcanzan ese nivel de madurez antes de poner modelos en producción.
Costos de cumplimiento: el síntoma, no la causa
El aumento en costos de cumplimiento que documenta el informe CUBE es, en realidad, el costo diferido de no haber invertido en gobernanza desde el inicio del ciclo de desarrollo del modelo. Cuando el modelo ya está en producción y el regulador solicita explicabilidad, el equipo debe reconstruir retroactivamente el linaje de datos, documentar transformaciones y justificar decisiones de diseño que nadie registró en su momento. Ese trabajo de remediación —que en la industria se conoce como “retrofitting de gobernanza”— es entre tres y cinco veces más caro que haberlo incorporado desde el diseño, según estimaciones del Data Governance Institute.
El patrón se repite en América Latina. Los bancos en Brasil que operan bajo la resolución BCB nº 4.557 —que exige gestión de riesgos operacionales y de modelos— enfrentan requerimientos de documentación que presupondrían un catálogo de datos activo y actualizado. En Argentina, las entidades supervisadas por el BCRA bajo la Comunicación A 7724 (riesgo operacional) tienen obligaciones equivalentes, aunque el nivel de madurez en gestión de activos de datos varía significativamente entre instituciones. En México, la CNBV ha emitido lineamientos sobre gestión de riesgos tecnológicos que implican controles similares. En todos los casos, el gap entre la obligación regulatoria y la capacidad real de gobernanza es el espacio donde crecen los costos de cumplimiento.
Cuándo aplica este diagnóstico — y cuándo no
Este análisis aplica directamente a instituciones financieras que ya tienen modelos de IA en producción o en pipeline de despliegue: bancos, aseguradoras, fintechs reguladas, gestoras de fondos bajo supervisión prudencial. También aplica a cualquier organización que opere en sectores donde el regulador tenga potestad de auditar el origen y calidad de los datos usados en decisiones automatizadas. No aplica con la misma urgencia a organizaciones en etapas tempranas de exploración analítica, donde los modelos no impactan decisiones que afectan derechos de personas o generan riesgo regulatorio material. La distinción relevante no es el tamaño de la organización sino el nivel de riesgo de las decisiones que el modelo produce.
Tres acciones que un CDO puede tomar esta semana
El informe CUBE no ofrece recetas, pero el problema que describe sí tiene respuestas operativas concretas. Primero, mapear qué modelos de IA están en producción y si cada uno tiene un data steward asignado con visibilidad sobre los conjuntos de datos de entrenamiento y actualización. Si la respuesta es “no lo sabemos con certeza”, eso es un hallazgo de gobernanza, no un problema técnico. Segundo, priorizar la construcción de linaje para los modelos de mayor riesgo regulatorio —scoring crediticio, detección de fraude, modelos de pricing— antes de expandir el portfolio de IA. Tercero, alinear con el equipo legal y de compliance cuál es el inventario de regulaciones que exigen explicabilidad o documentación de modelos en cada jurisdicción donde opera la entidad, y cruzarlo contra el catálogo de datos existente para identificar brechas.
La lección operativa del informe CUBE es que el costo del cumplimiento no escala porque los reguladores sean más exigentes: escala porque la deuda técnica de gobernanza se acumula silenciosamente hasta que un requerimiento externo la hace visible de golpe.
El informe completo de CUBE está disponible en el sitio de FF News. Para el marco de referencia sobre capacidades de gestión de datos en la nube, el EDM Council publica el CDMC en edm-council.org.
