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

La brecha de gobernanza que frena el despliegue responsable de IA en las empresas

LR
La Redacción
19 de nov de 2026 · 5 min de lectura
La brecha de gobernanza que frena el despliegue responsable de IA en las empresas

Un informe de Inforcer identificó una brecha significativa en gobernanza de datos entre las organizaciones que ya están desplegando inteligencia artificial. La mayoría de las empresas avanza en adopción de IA sin haber resuelto primero qué datos existen, quién los controla y bajo qué condiciones pueden usarse para entrenar o alimentar modelos.

El hallazgo no sorprende a quienes trabajan en la disciplina, pero confirma un patrón que se repite en América Latina con la misma intensidad que en mercados más maduros: la presión por mostrar casos de uso de IA genera atajos en los cimientos de gobernanza que luego se vuelven deuda técnica y, en algunos casos, deuda regulatoria. Según se informó, el reporte de Inforcer detectó que la brecha afecta a empresas de distintos tamaños y sectores que ya tienen modelos en producción.

Qué significa “brecha de gobernanza” en el contexto de IA

En términos operativos, la brecha de gobernanza en IA ocurre cuando una organización despliega modelos — ya sea de machine learning clásico o modelos de lenguaje de gran escala (LLMs) — sobre activos de datos que no tienen data ownership definido, clasificación de sensibilidad documentada ni data lineage trazable desde la fuente hasta el modelo. El resultado es un sistema cuyo comportamiento no puede auditarse de manera confiable porque nadie puede responder con precisión qué datos lo alimentaron, en qué versión y bajo qué política de retención o consentimiento.

El marco DAMA-DMBOK distingue entre las áreas de conocimiento de gestión de datos y las capacidades de gobierno que las sostienen. Una organización puede tener pipelines de datos sofisticados (área de integración) pero carecer de las capacidades de gobierno — policies, stewardship, métricas de calidad, catálogo activo — necesarias para que esos pipelines sean confiables como insumo de IA. El EDM Council, a través de su modelo CDMC (Cloud Data Management Capabilities), ya mapeó explícitamente qué controles de gobernanza son prerrequisito para el uso responsable de datos en entornos de aprendizaje automático.

Cuándo aplica esta brecha — y cuándo no

La brecha es más crítica cuando la IA opera sobre datos de clientes, datos de recursos humanos o cualquier categoría sensible según la legislación aplicable. En esos casos, la ausencia de gobernanza no es solo un riesgo operativo: es un riesgo de cumplimiento directo. En Brasil, la Lei Geral de Proteção de Dados (LGPD) establece en su artículo 20 el derecho del titular a solicitar revisión de decisiones automatizadas; sin linaje de datos documentado, el controlador no puede responder ese pedido. En Argentina, la Ley 25.326 y los criterios de la AAIP apuntan en la misma dirección para tratamientos automatizados. En México, el INAI ha avanzado en lineamientos que tocan el uso de datos personales en sistemas de IA bajo el paraguas de la LFPDPPP.

La brecha es menos urgente — aunque no irrelevante — cuando los modelos operan exclusivamente sobre datos sintéticos o datos internos no sensibles con clasificación verificada. En esos escenarios, la prioridad de gobernanza puede escalonarse, siempre que exista un data steward responsable de mantener actualizada esa clasificación.

Tres controles que los CDOs deben revisar antes de cada despliegue de IA

La pregunta práctica para un Chief Data Officer no es si existe una brecha — el reporte de Inforcer sugiere que probablemente sí — sino dónde es más grave en su propio portafolio. Según el modelo Non-Invasive Data Governance de Bob Seiner, la gobernanza efectiva no requiere estructuras nuevas sino hacer explícitas y formales las responsabilidades que ya existen informalmente. Aplicado a IA, eso significa tres verificaciones concretas antes de cualquier despliegue:

  • Ownership documentado: ¿Existe un data steward identificado para cada conjunto de datos que alimenta el modelo, con capacidad real de decidir sobre su uso?
  • Clasificación vigente: ¿Los datos usados en entrenamiento e inferencia tienen una etiqueta de sensibilidad activa en el catálogo de datos, no solo en el momento de ingesta sino en su versión actual?
  • Linaje trazable: ¿Puede el equipo reproducir, para cualquier versión del modelo en producción, qué datasets específicos lo alimentaron, en qué fecha y bajo qué política de uso?

En América Latina, los bancos que reportan al Banco Central de Brasil (BACEN) bajo las resoluciones de riesgo operacional, o los que operan en Argentina bajo la Comunicación A 7724 del BCRA sobre gestión de tecnología, ya tienen frameworks de control internos que pueden extenderse para cubrir estos tres puntos sin crear estructuras paralelas. El problema es que rara vez esos controles están conectados al ciclo de vida de los modelos de IA.

El costo de no cerrar la brecha antes de que llegue el regulador

El AI Act de la Unión Europea, en vigor desde agosto de 2024 con aplicación progresiva, impone obligaciones explícitas de gobernanza de datos para sistemas de IA de alto riesgo en su artículo 10, incluyendo prácticas de gestión de datos, documentación de las fuentes y evaluación de posibles sesgos. Si bien el AI Act no tiene jurisdicción directa en América Latina, las empresas de la región que exportan servicios a Europa o que son filiales de grupos europeos ya están alcanzadas. Más relevante aún: varios países latinoamericanos tienen proyectos de ley de IA en distintas etapas — Brasil avanza con el PL 2338/2023 — que toman el AI Act como referencia para los requisitos de datos.

La brecha que documenta Inforcer no es nueva, pero el momento en que se cierra importa. Hacerlo después de un incidente regulatorio, una auditoría o una decisión automatizada impugnada judicialmente multiplica el costo de remediación por un factor que ningún modelo de negocio de IA puede absorber fácilmente.

Para profundizar en los estándares de gobernanza de datos para IA, el EDM Council publica el marco CDMC con mapeo explícito de controles en cloud y entornos de machine learning en edmcouncil.org.

El briefing semanal de datos, privacidad e IA en LATAM

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