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

IA sin gobierno: 40% de empresas LATAM la usa, solo 18% la controla

LR
La Redacción
8 de nov de 2026 · 6 min de lectura
IA sin gobierno: 40% de empresas LATAM la usa, solo 18% la controla

Cuatro de cada diez empresas en América Latina ya incorporaron inteligencia artificial a sus operaciones, pero solo el 18% cuenta con marcos formales para gobernarla, según se informó en un reporte citado por El Ecosistema Startup. La brecha no es de adopción: es de control. Y en un contexto donde Brasil, Colombia y México avanzan en regulación de IA, operar sin gobernanza empieza a tener costo regulatorio mensurable.

El dato central —22 puntos de distancia entre quienes usan IA y quienes la gobiernan— describe una dinámica que los equipos de datos conocen bien: las áreas de negocio despliegan herramientas, los modelos entran a producción, y el área de gobernanza se entera cuando algo falla. Es el patrón clásico de shadow AI: adopción descentralizada sin ownership de datos, sin linaje documentado, sin política de uso aceptable.

Qué significa “gobernar IA” en términos de datos

Gobernar IA no es instalar un comité de ética ni redactar una política de uso responsable que nadie lee. En términos operativos de gobernanza de datos, implica al menos cuatro capacidades concretas: clasificación de los datos que alimentan los modelos, linaje documentado desde la fuente hasta el output, ownership definido por dominio (quién responde si el modelo discrimina o alucina), y controles de calidad en los datasets de entrenamiento y validación. El marco DCAM del EDM Council —uno de los estándares de madurez más usados en la región para banca y seguros— ubica estas capacidades entre los niveles 5 y 7 de sus 20 capabilities. Según se informó, la mayoría de las organizaciones latinoamericanas opera por debajo del nivel 4.

El DAMA-DMBOK 2 es igualmente claro: los datos usados para entrenar o alimentar sistemas de IA forman parte del ciclo de vida del dato y, por tanto, deben estar sujetos a las mismas políticas de metadatos, retención y acceso que cualquier otro activo de información. Que el 82% de las empresas de la región despliegue IA sin ese ciclo formalizado no es solo un riesgo tecnológico; es una brecha de compliance que ya tiene nombre en varios marcos regulatorios emergentes.

Brasil, Colombia y México: tres marcos regulatorios que ya presionan

La brecha de gobernanza no existe en un vacío regulatorio. Brasil avanza con el Proyecto de Ley 2.338/2023 de regulación de IA, que en su versión más reciente exige documentación de los sistemas de alto riesgo, evaluación de impacto algorítmico y trazabilidad de los datos de entrenamiento. Las empresas que hoy no documentan sus pipelines de datos para IA quedarán en incumplimiento desde el primer día de vigencia de la norma, posiblemente en 2025 o 2026. La ANPD, por su parte, ya señaló que el uso de datos personales para entrenamiento de modelos está alcanzado por la LGPD y requiere base legal explícita.

En Colombia, el Proyecto de Ley 207 de 2023 y los lineamientos del Ministerio TIC sobre IA responsable establecen principios de explicabilidad y supervisión humana que, en la práctica, no pueden cumplirse sin linaje de datos. México, aunque sin ley específica de IA, enfrenta el cruce entre la LFPDPPP y el uso de datos personales en modelos: el INAI ha dado señales de que tratamientos automatizados de alto impacto requieren mayor diligencia en el aviso de privacidad y en los controles de acceso. Argentina, con la Ley 25.326 y la AAIP activa, suma la capa de transferencias internacionales cuando los modelos corren en infraestructura extranjera.

El costo del 82%: riesgo regulatorio, reputacional y de calidad

Las organizaciones que operan IA sin gobierno de datos asumen tres categorías de riesgo simultáneas. Primero, riesgo regulatorio: sin documentación de datos de entrenamiento, sin evaluación de impacto y sin ownership definido, el camino a sanciones se acorta a medida que las leyes regionales entren en vigor. Segundo, riesgo de calidad: los modelos entrenados con datos sin clasificar ni limpiar producen outputs sesgados o incorrectos, con consecuencias que van desde errores en scoring crediticio hasta decisiones de RRHH impugnables. Tercero, riesgo reputacional: cuando un modelo falla públicamente, la pregunta que sigue es siempre “¿quién era el data steward responsable?”. Si no hay respuesta, el daño escala.

El patrón de shadow AI —herramientas de IA usadas sin autorización ni registro del área de datos— amplifica los tres riesgos. Según el enfoque de Non-Invasive Data Governance de Bob Seiner, la gobernanza efectiva no requiere burocracia nueva: requiere formalizar responsabilidades que ya existen informalmente. Aplicado a IA, eso significa identificar quién ya toma decisiones sobre los datos que alimentan cada modelo y elevar ese rol a data steward con accountability explícita.

Cuatro acciones concretas para CDOs en la región

  • Inventario de modelos en producción: relevar qué sistemas de IA operan hoy, con qué datos y bajo qué ownership. Sin inventario no hay punto de partida. El catálogo de datos existente —si lo hay— debe extenderse para cubrir datasets de entrenamiento y validación.
  • Clasificación de datos de entrada: aplicar la taxonomía de clasificación corporativa a los datos que alimentan modelos. Los datos sensibles o personales deben identificarse antes de que entren al pipeline, no después de un incidente.
  • Mapeo regulatorio por país de operación: si la empresa opera en Brasil, Colombia o México, revisar qué exige cada marco sobre documentación de sistemas de IA y alinear el data lineage existente con esos requisitos. No esperar la ley final.
  • Política de uso aceptable de IA con capa de gobernanza: establecer qué herramientas de IA pueden usarse, con qué datos y bajo qué aprobación. La política sin un registro de herramientas aprobadas es papel mojado.

Nuestro análisis

La brecha del 22% entre adopción y gobernanza de IA en LATAM no sorprende: replica el patrón que se vio con big data entre 2014 y 2018, cuando las organizaciones acumularon datos antes de tener estrategia para usarlos. Lo que sí es distinto esta vez es la presión regulatoria: en aquella ola no había leyes sectoriales con plazos. Hoy, el Proyecto de Ley 2.338/2023 de Brasil tiene dictamen en comisión, y la ANPD ya opera con criterios que alcanzan al uso de datos personales en IA. Las organizaciones que no cierren esta brecha en los próximos 18 meses no estarán en una posición de riesgo teórico: estarán en incumplimiento formal.

El dato del 18% también esconde una distribución desigual. En banca y fintech —donde el BCRA en Argentina con la Comunicación A 8073 y el Banco Central de Brasil ya exigen explicabilidad en modelos de crédito— la gobernanza de IA está más avanzada. En retail, salud y sector público, el vacío es mayor. Los CDOs de esos sectores tienen hoy la oportunidad de posicionarse como habilitadores del negocio digital o de quedar como el área que frenó la adopción. La diferencia la hace un inventario bien hecho, no una política aspiracional.

Cuando las leyes de IA de la región entren en vigor, la pregunta no será si la empresa usa IA, sino si puede demostrar con documentación cómo, con qué datos y bajo qué controles lo hace. El 82% que hoy no gobierna su IA no tiene esa respuesta.

El briefing semanal de datos, privacidad e IA en LATAM

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