Brookfield Residential decidió invertir en gobernanza de datos antes de escalar cualquier iniciativa de inteligencia artificial. La lógica detrás de esa decisión es simple pero poco frecuente en el sector: sin datos confiables, los modelos de IA reproducen el caos a mayor velocidad.
La industria inmobiliaria no suele ser la primera en aparecer en conversaciones sobre madurez de datos. Sin embargo, la desarrolladora canadiense Brookfield Residential —con operaciones en Estados Unidos y Canadá— se convirtió en un caso de referencia al anteponer la construcción de una base de gobernanza sólida a la adopción de herramientas de inteligencia artificial. La decisión, según se informó, surgió de reconocer que sus datos operativos —precios, inventarios, ciclos de construcción, perfiles de compradores— estaban fragmentados entre sistemas que no hablaban entre sí.
Qué significa “poner la gobernanza primero” en la práctica
En términos operativos, anteponer la gobernanza implica resolver tres problemas antes de entrenar o desplegar cualquier modelo: definir quién es el propietario del dato (data ownership), establecer definiciones compartidas entre áreas (data definitions o business glossary), y mapear el recorrido del dato desde su origen hasta su uso analítico (data lineage). Estos tres pilares son la base del marco DAMA-DMBOK, que organiza las capacidades de gestión de datos en once áreas de conocimiento. Sin ellos, una organización que alimenta un modelo de IA con datos de baja calidad no obtiene predicciones mejores: obtiene predicciones incorrectas con mayor velocidad y apariencia de precisión.
En el caso de Brookfield Residential, según se informó, el trabajo incluyó la designación de data stewards por área de negocio —roles responsables de asegurar la calidad y el uso apropiado del dato dentro de su dominio— y la implementación de un catálogo de datos que permitiera a los equipos encontrar, entender y confiar en los activos de información disponibles. Este tipo de arquitectura de gobierno es lo que el EDM Council denomina una capability central dentro del CDMC (Cloud Data Management Capabilities), específicamente en el dominio de Data Governance and Accountability.
Cuándo aplica este enfoque —y cuándo no
La secuencia “gobernanza antes que IA” aplica con mayor fuerza cuando los datos están dispersos en silos operacionales heterogéneos, cuando los equipos de negocio tienen definiciones distintas para los mismos conceptos (¿qué es una “unidad vendida”? ¿en qué momento del proceso?), o cuando existe una brecha significativa entre los datos históricos disponibles y los que realmente se necesitan para entrenar un modelo útil. No aplica de la misma forma en organizaciones que ya tienen un data warehouse consolidado, pipelines de calidad implementados y ownership claro: en esos casos, la gobernanza puede avanzar en paralelo con los primeros pilotos de IA sin riesgo sistémico.
El error más frecuente no es desplegar IA prematuramente, sino subestimar cuánto trabajo previo de gobernanza se necesita. Muchas organizaciones descubren ese déficit recién cuando el modelo falla —o peor, cuando falla silenciosamente y nadie lo detecta a tiempo.
América Latina: el mismo desafío, menor tiempo para resolverlo
En la región, el caso de Brookfield Residential resuena especialmente en sectores como real estate, banca y retail, donde la adopción de herramientas de IA generativa avanza más rápido que la madurez de los datos subyacentes. En Brasil, las instituciones financieras supervisadas por el Banco Central operan bajo la Resolução CMN 4.893/2021, que exige políticas de gestión de datos como parte del marco de gestión de riesgos —lo que obliga, al menos formalmente, a tener ownership y calidad de datos definidos antes de automatizar decisiones crediticias con modelos. En Argentina, la Comunicación A 8073 del BCRA establece requisitos similares para el gobierno de datos en entidades financieras, aunque la certificación formal bajo marcos como CDMC sigue siendo prácticamente inexistente en la industria local.
En México, Colombia y Chile, las normativas sectoriales de finanzas y salud empujan en la misma dirección, pero fuera de esos sectores regulados la presión para formalizar la gobernanza antes de escalar IA es todavía baja. El riesgo real es que las organizaciones latinoamericanas lleguen tarde no al tren de la IA, sino a la infraestructura de datos que la hace funcionar.
Lo que un CDO puede hacer esta semana con este caso
El caso de Brookfield Residential ofrece una palanca concreta para quienes lideran datos en organizaciones que ya tienen proyectos de IA en agenda. Primero, auditar el estado de los datos que alimentarán esos modelos: ¿tienen un propietario identificado? ¿hay una definición acordada entre negocio y tecnología? ¿el lineage está documentado? Segundo, usar ese diagnóstico como argumento ante el comité ejecutivo para priorizar inversión en gobernanza —no como obstáculo a la IA, sino como condición de su éxito. Tercero, si la organización ya tiene un catálogo de datos, verificar que los datasets candidatos para IA estén efectivamente catalogados y con metadata de calidad actualizada. La secuencia de Brookfield no es conservadora: es la que minimiza el costo de retrabajo cuando el modelo ya está en producción.
Para profundizar en los fundamentos de este enfoque, el DAMA-DMBOK (segunda edición) y el framework CDMC del EDM Council son los puntos de partida más citados por equipos de gobierno de datos a nivel global.
