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

La Red Iberoamericana le puso reglas a la IA sin escribir una ley nueva

La Red Iberoamericana le puso reglas a la IA sin escribir una ley nueva
FM
Facundo Malaureille
13 de nov de 2026 · 9 min de lectura

Diez claves de los Estándares iberoamericanos sobre el uso de datos personales en sistemas de inteligencia artificial, y qué deberían hacer las empresas argentinas con ellos

Por Facundo Malaureille — Co-fundador y DPO, Data Governance Latam

El 12 de noviembre, la Red Iberoamericana de Protección de Datos (RIPD) aprobó por unanimidad los Estándares iberoamericanos sobre el uso de datos personales en sistemas de inteligencia artificial. La gacetilla de la Agencia Española de Protección de Datos, que ejerce la secretaría de la Red, los presenta como pioneros a escala global.

Lo interesante no es lo que el Estándar crea, sino lo que NO crea. El propio preámbulo aclara que no instaura “un régimen ético-jurídico paralelo para la inteligencia artificial” ni sustituye las leyes nacionales. No es una ley de IA. Es algo más útil para el día a día de una empresa: una guía de cómo se aplican las reglas que ya tenemos cuando el tratamiento de datos pasa por un modelo.

Y hay una decisión de diseño que ordena todo el texto: el objeto del Estándar no son los sistemas de IA en abstracto, sino los tratamientos de datos personales que los incorporan (numeral 1.3.1). No se pregunta qué es el modelo; se pregunta qué hace con los datos de las personas, para qué y en qué fase de su ciclo de vida. Desarrollo, entrenamiento, evaluación, mejora y uso se analizan por separado, y las obligaciones de licitud, minimización y calidad se determinan para cada una (1.3.3).

Estas son, a mi juicio, las diez claves del documento.

01 Lo que la IA deduce de vos también es un dato tuyo

El Estándar alcanza expresamente a los datos inferidos y derivados que el sistema genera (1.2.1) y los define: el inferido resulta de una predicción o estimación; el derivado, de combinar datos preexistentes (1.6.1). La consecuencia más fuerte está en el capítulo III: la salud, la ideología o la orientación sexual “pueden inferirse incluso a partir de variables aparentemente neutras”, y el régimen reforzado de los datos sensibles se determina “por la naturaleza efectiva de la información inferida y no sólo por la de los datos de entrada” (3.1.1).

02 Que un dato sea público no te habilita a entrenar con él

Es la regla que más va a incomodar a los desarrolladores: el carácter accesible al público de los datos “no legitima por sí solo” su uso para entrenar modelos (2.2.3). El numeral 9.5 es clave: la accesibilidad pública tampoco constituye por sí sola un interés legítimo ni dispensa de la ponderación. Hay que considerar para qué se publicaron esos datos y qué esperan razonablemente sus titulares. El scraping masivo no queda prohibido, pero sí sin excusas.

03 Tu proveedor no puede entrenar con tus datos porque sí

Para mí es la regla con más impacto práctico en contratos. Si un proveedor o encargado usa los datos que trata por cuenta del cliente para desarrollar, entrenar o mejorar sus propios modelos, eso es, con carácter general, una finalidad distinta que no está incluida en el encargo, salvo habilitación expresa y base jurídica (2.2.2). Y el Estándar se adelanta a la trampa habitual: anonimizar esos datos para entrenar también es un uso sujeto a la regla, y el resultado anonimizado no queda amparado si la operación que lo produjo no lo estaba.

Traducido: la cláusula de los términos de servicio que dice “podremos usar datos agregados y anonimizados para mejorar nuestros servicios” ya no se puede leer como si fuera inocua.

04 El responsable sos vos, aunque no entrenes el modelo

Es responsable “quien decide los fines y los medios esenciales del tratamiento concreto, aunque no entrene ni controle técnicamente el modelo” (6.1). Contratar un modelo de terceros no exime de verificar su compatibilidad con la normativa ni de evaluar las garantías del proveedor (6.4). Y el responsable tiene que poder obtener del proveedor, por contrato, la información sobre el origen de los datos de entrenamiento, las limitaciones conocidas del sistema, los sesgos identificados y su mitigación (1.4.3). El cuestionario de proveedores de IA deja de ser opcional.

05 Decir “usamos IA” no es informar

“La mera indicación de que se emplea inteligencia artificial o algoritmos no satisface el deber de informar” (2.5.1). Hay que explicar para qué se usa, qué papel cumple en el tratamiento, qué consecuencias puede tener, si genera perfiles o inferencias, si intervienen proveedores y qué grado de intervención humana existe. Sobre esto último, el Estándar agrega que la descripción “no presentará como garantía una supervisión meramente formal” (2.5.2). Los secretos comerciales limitan el detalle de la explicación, pero no pueden usarse para “vaciar el contenido esencial del derecho de información” (2.5.5).

06 El humano que firma sin mirar no cuenta

«No constituirá intervención humana efectiva la que se limite a formalizar o refrendar el resultado del sistema». Numeral 4.2.1.

Para que una decisión deje de ser exclusivamente automatizada, la intervención humana tiene que ser previa, real y efectiva, a cargo de alguien que entienda el resultado y tenga autoridad para confirmarlo, modificarlo o apartarse de él (4.2.1). Las alertas y los detectores de discrepancias ayudan, pero no reemplazan a esa persona (4.2.2). Es una advertencia directa a todos los procesos de crédito, selección de personal, fraude o reclamos donde “un analista revisa” pero, en la práctica, aprueba en segundos lo que el sistema propone.

07 Derechos frente a un modelo ya entrenado

El derecho de acceso incluye saber si tus datos se usaron en un sistema de IA y si se generaron perfiles o inferencias que influyeron en decisiones sobre vos (5.2). La rectificación se adapta: si una inferencia no puede corregirse, la persona puede corregir los datos de origen, aportar información o impugnarla (5.3).

El punto más fino es la supresión. El Estándar admite que, por el estado de la técnica, a veces no se puede borrar del todo a una persona de un modelo entrenado. Pero no lo convierte en excusa: el responsable debe justificarlo, documentarlo, informarlo a la persona y suprimir los datos de donde sí pueda —conjuntos de entrenamiento, índices, bases vectoriales y memorias persistentes— y excluirlos de futuros entrenamientos (5.5). Además, esa imposibilidad “no tendrá carácter definitivo”: se vuelve a evaluar a medida que la tecnología avanza.

08 IA agéntica: menos autonomía cuanto más impacto

Es la sección que más me interesa, porque es donde va la industria. El numeral 9.2 establece que, cuando un sistema puede acceder solo a datos personales o ejecutar acciones sobre ellos, el responsable debe:

  • fijar el nivel de autonomía según los efectos posibles: a mayor impacto sobre las personas, menos autonomía y más supervisión;
  • delimitar los datos, herramientas y servicios a los que el agente puede acceder;
  • controlar las memorias persistentes, sujetas a los principios de finalidad y de plazo de conservación;
  • garantizar la trazabilidad de cada acción, incluidas las interacciones con otros sistemas y agentes;
  • prever mecanismos de supervisión y de suspensión que puedan activarse con independencia del propio sistema.

Y dos reglas de cierre: si el agente se desvía hacia una finalidad distinta, esa nueva finalidad necesita su propia base jurídica; y la autonomía del sistema “no exime ni desplaza las responsabilidades” de quienes intervienen. El agente no es un sujeto al que se le pueda pasar la culpa.

09 Lo que directamente no se puede hacer

El Estándar declara incompatibles con los principios de protección de datos los sistemas destinados a manipular de forma engañosa la conducta, explotar situaciones de vulnerabilidad (edad, discapacidad, situación socioeconómica) o aplicar puntuación social con efectos discriminatorios (2.2.4).

10 Seguridad propia de la IA, DPO desde el inicio y evaluación de impacto

El capítulo VIII pide mantener una lista actualizada de amenazas específicas de la IA: extracción de datos de entrenamiento, inversión de modelo, ataques de pertenencia, fugas por instrucciones, exposición de representaciones vectoriales, envenenamiento de datos, recuperación indebida en sistemas RAG e inyección de instrucciones (8.1). Es la primera vez que un documento de autoridades de datos de la región baja a ese nivel de detalle técnico.

En gobernanza, el DPO debe participar desde las fases iniciales de los proyectos de IA, “de forma efectiva y no meramente formal”, y los comités de IA deben coordinar con él (7.4). La evaluación de impacto se hace antes del despliegue y se revisa cuando cambian los datos, el modelo o el proveedor. Si el riesgo elevado persiste, hay dos caminos: consulta previa a la autoridad o no iniciar el tratamiento (7.5 y 7.6).

¿Y en Argentina?

El Estándar es orientador: no es vinculante ni reemplaza a la Ley 25.326. Pero sería un error leerlo como un documento académico. Fue aprobado por las autoridades de la región, entre ellas la AAIP, y va a funcionar como criterio de interpretación. Pienso, por ejemplo, en el artículo 20 de nuestra ley, que impide que una decisión judicial o administrativa que valore conductas humanas tenga como único fundamento un tratamiento automatizado. El numeral 4.2.1 le da a ese “único fundamento” un contenido concreto: si el humano solo firma, el fundamento sigue siendo la máquina.

El contexto local suma presión. La reforma de la Ley 25.326 sigue en debate, y el proyecto de Presupuesto 2027 propone llevar las multas por infracciones a la ley de datos hasta $20.000 millones. Si ese régimen avanza, los criterios de este Estándar van a ser la vara con la que se mida la diligencia de las empresas que usan IA.

Qué podría hacer una empresa la semana que viene

  1. Inventariar los sistemas y agentes de IA que tratan datos personales, incluidas las inferencias que generan, y sumarlos al registro de tratamientos.
  2. Revisar los contratos con proveedores de IA: uso de datos para entrenamiento propio, anonimización, subencargados, transferencias e información sobre el origen de los datos y los sesgos del modelo.
  3. Reescribir las políticas de privacidad que se limitan a decir “usamos IA”.
  4. Auditar la supervisión humana en los procesos de decisión automatizada: quién revisa, con qué información y con qué autoridad real para apartarse del sistema.
  5. Diseñar los agentes con límites: permisos mínimos, trazabilidad, control de memorias y un botón de suspensión que no dependa del propio agente.
  6. Integrar al DPO en el comité de IA y hacer evaluaciones de impacto antes de desplegar, no después.

La IA no inventó un problema nuevo de protección de datos. Lo hizo más rápido, más opaco y más difícil de postergar. Lo valioso de este Estándar es que, sin crear una sola obligación general nueva, le pone fecha de vencimiento a la excusa de que “la ley no dice nada sobre IA”. Sí dice. Ahora está escrito con todas las letras.

Fuentes

  1. Red Iberoamericana de Protección de Datos, Estándares iberoamericanos sobre el uso de datos personales en sistemas de inteligencia artificial, noviembre de 2026 (redipd.org).
  2. AEPD, «La Red Iberoamericana de Protección de Datos aprueba unos Estándares internacionales pioneros sobre inteligencia artificial y protección de datos personales», nota de prensa del 12/11/2026 (aepd.es).
  3. Ley 25.326 de Protección de Datos Personales, art. 20; Proyecto de Ley de Presupuesto 2027, art. 70.

El briefing semanal de datos, privacidad e IA en LATAM

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