Empresas de Argentina y Chile están atascadas en el mismo punto: los pilotos de inteligencia artificial funcionan, pero no escalan. El cuello de botella rara vez es el modelo; casi siempre es la gobernanza de datos que debería sostenerlo.
Superar la prueba de concepto (POC, por sus siglas en inglés) es el desafío que hoy define la madurez de IA corporativa en la región, según informó Revista Mercado. El patrón es repetido: un equipo de datos construye un prototipo convincente, la dirección aprueba presupuesto, y el proyecto se frena cuando intenta consumir datos productivos a escala. Los datos no tienen dueño claro, no están catalogados, los pipelines no están documentados y el modelo entrenado en el sandbox no puede replicarse en producción con los controles que el negocio exige.
El gap entre POC y producción: un problema de ownership, no de algoritmos
En el marco DAMA-DMBOK, la transición de un piloto a un sistema productivo activa al menos cuatro capabilities críticas: calidad de datos, integración y arquitectura, seguridad de datos, y metadatos. Cuando esas capabilities no están operativas, el modelo de IA hereda los problemas del dato subyacente — sesgo, inconsistencia, falta de linaje — y falla en producción de maneras que son difíciles de diagnosticar si no existe un data catalog con trazabilidad activa. El EDM Council, en su marco CDMC (Cloud Data Management Capabilities), identifica el ownership del dato como prerequisito del nivel 3 de madurez; sin un data steward asignado por dominio, los proyectos de IA corporativa no avanzan más allá del nivel 1.
El data lineage — la trazabilidad end-to-end de cada atributo desde su origen hasta el consumo por el modelo — no es un lujo técnico: es el mecanismo que permite a un auditor o a un regulador entender por qué el sistema tomó una decisión. En Argentina, esto adquiere relevancia concreta: la Agencia de Acceso a la Información Pública (AAIP) tiene competencia para examinar tratamientos automatizados de datos personales bajo la Ley 25.326, y cualquier sistema de IA que tome decisiones con impacto en personas físicas puede quedar alcanzado por esa obligación de transparencia.
Qué falla estructuralmente en las organizaciones argentinas y chilenas
Tres patrones se repiten en la región cuando los proyectos de IA no logran salir de la POC:
- Datos sin clasificación ni ownership: los atributos no tienen un data steward responsable, lo que impide aplicar controles de acceso granulares cuando el modelo pasa a operar sobre datos sensibles o regulados.
- Ausencia de catálogo activo: los equipos de IA descubren en producción que los datos que usaron en el piloto no estaban autorizados para ese uso, o que su definición de negocio difiere entre sistemas fuente.
- Linaje no documentado: cuando el modelo produce un resultado inesperado, no existe forma de trazar qué dato de entrada lo causó, lo que hace imposible la corrección sistemática y el cumplimiento de obligaciones de explicabilidad.
En Chile, el escenario regulatorio agrega presión adicional: la Ley 21.719 de protección de datos personales, promulgada en 2024, incorpora principios de minimización y finalidad que obligan a revisar si los datos usados para entrenar modelos fueron recolectados con un propósito compatible. Esa validación requiere linaje y un inventario de datos actualizado — exactamente lo que falta en la mayoría de las organizaciones que hoy tienen POCs detenidas.
Cuándo aplica el problema de gobernanza / cuándo NO
No todos los proyectos de IA atascados tienen un problema de gobernanza de datos. Si el piloto opera sobre datos sintéticos o sobre un dataset acotado y estático que ya está bajo control, el cuello de botella puede ser de infraestructura, de change management o de modelo de negocio. El problema de gobernanza es determinante cuando el escalado implica incorporar datos de múltiples sistemas fuente, cuando los datos incluyen información personal o regulada, o cuando el modelo debe operar en tiempo real sobre flujos de datos en producción. En esos escenarios — que describen la mayoría de los casos corporativos relevantes en banca, retail y salud en Argentina y Chile — la gobernanza no es paralela al proyecto de IA: es su prerequisito.
El paso concreto que los equipos de datos pueden dar esta semana
Antes de escalar cualquier POC de IA, un Chief Data Officer o Data Governance Manager debería ejecutar un inventario de los dominios de datos que el modelo consumirá en producción y verificar tres condiciones: que cada dominio tenga un data steward nombrado con responsabilidad formal, que los atributos clave estén catalogados con definición de negocio acordada, y que el linaje desde el sistema fuente hasta el modelo esté documentado al menos a nivel de dataset. Si alguna de esas tres condiciones no se cumple, el escalado va a encontrar el mismo muro que encontraron los pilotos anteriores. No es necesario completar un programa de gobernanza full antes de avanzar — la táctica correcta, en línea con el enfoque de Non-Invasive Data Governance de Bob Seiner, es asignar stewardship sobre los dominios específicos que el proyecto de IA necesita, no sobre toda la organización a la vez.
El marco regulatorio de Argentina y Chile ya exige respuestas sobre el origen y el uso de los datos en sistemas automatizados; la pregunta para los equipos de datos no es si van a necesitar gobernanza, sino si la van a construir antes o después del próximo piloto fallido.
