Cuando una organización lanza un proyecto de inteligencia artificial sin haber establecido gobernanza de datos, el resultado suele ser el mismo: retroceder al punto de partida para mapear, limpiar y documentar lo que debería haber estado ordenado desde antes. No es un problema de tecnología, es un problema de fundamentos.
La gobernanza de datos es el conjunto de políticas, roles, procesos y estándares que definen quién puede hacer qué con qué datos, bajo qué condiciones y con qué nivel de calidad garantizado. En la práctica, es la diferencia entre un ecosistema de datos que una organización puede operar con confianza y un inventario opaco de activos sin dueño, sin linaje documentado y sin criterios de calidad consistentes. El marco DAMA-DMBOK, referencia global para profesionales del área, sitúa la gobernanza como la función habilitante de las otras diez disciplinas de gestión de datos: sin ella, capacidades como data quality, metadata management o data lineage quedan sin anclaje institucional.
Por qué la IA fuerza la conversación que muchas organizaciones evitaron
Durante años, la gobernanza de datos fue tratada como un proyecto de mediano plazo que siempre cedía ante prioridades más urgentes. La expansión de iniciativas de inteligencia artificial generativa cambió ese cálculo de forma abrupta. Entrenar un modelo, alimentar un agente o construir un sistema de recuperación aumentada (RAG) requiere saber exactamente de dónde vienen los datos, qué representan, quién los autorizó para ese uso y si su calidad es suficiente para producir outputs confiables. Sin esa información, el equipo técnico dedica semanas o meses a tareas de arqueología de datos antes de poder escribir una sola línea de código productivo. En términos de CDMC (Cloud Data Management Capabilities), del EDM Council, ese trabajo corresponde a las capabilities de Data Governance y Data Quality, que en organizaciones sin madurez formal suelen ejecutarse de manera ad hoc y sin registro.
Los roles que faltan: data steward y data owner como piezas críticas
Uno de los déficits más frecuentes no es de herramientas sino de responsabilidades. El modelo de Non-Invasive Data Governance que propone Bob Seiner parte de una premisa operativa: los datos ya tienen dueños de hecho —las áreas que los producen y consumen—, pero esa responsabilidad no está formalizada. Designar data stewards por dominio (finanzas, clientes, operaciones) y establecer un data owner con autoridad de decisión sobre cada activo crítico es el primer paso concreto antes de evaluar cualquier plataforma de catálogo o linaje. Sin ese mapa humano, ningún software de metadata management resuelve el problema estructural.
Cuándo aplica la gobernanza formal y cuándo no alcanza con buenas intenciones
La gobernanza estructurada es indispensable cuando la organización opera con datos de múltiples dominios cruzados, cuando existen obligaciones regulatorias sobre la calidad o trazabilidad de los datos, o cuando hay proyectos de IA, analítica avanzada o reporting regulatorio en marcha. No aplica —o aplica de forma mínima— en equipos muy pequeños con un solo dominio de datos bien delimitado y sin exposición regulatoria relevante. El error más común es implementar un marco complejo de gobernanza en contextos donde lo que se necesita es simplemente un acuerdo de definiciones entre tres personas. La sobreingeniería de la gobernanza es tan costosa como su ausencia.
El ángulo regulatorio en América Latina: LGPD, Ley 25.326 y la presión desde afuera
En la región, la gobernanza de datos dejó de ser opcional en el momento en que las regulaciones de protección de datos personales comenzaron a exigir accountability sobre el tratamiento. La Lei Geral de Proteção de Dados (LGPD) de Brasil requiere que las organizaciones puedan demostrar bases legales para cada tratamiento y acreditar medidas técnicas y organizativas adecuadas: eso es, en esencia, gobernanza aplicada a datos personales. La Ley 25.326 de Argentina —en proceso de actualización— y la Ley Federal de Protección de Datos Personales en Posesión de los Particulares (LFPDPPP) de México imponen obligaciones similares sobre inventario, propósito y seguridad de los datos. Las organizaciones que construyeron capacidades de gobernanza para cumplir con estas leyes tienen una ventaja estructural cuando llega el momento de escalar proyectos de IA: ya saben qué tienen, dónde está y quién responde por ello.
Tres decisiones concretas para un equipo de datos sin programa formal de gobernanza
El punto de entrada no es un comité ni una política de cien páginas. Para un CDO o Data Lead que necesita resultados en el corto plazo, el recorrido mínimo viable implica tres movimientos secuenciales:
- Inventario de activos críticos: identificar los diez conjuntos de datos de mayor impacto para el negocio o la regulación, documentar su origen, formato, frecuencia de actualización y área responsable. Sin este paso, todo lo que sigue es especulativo.
- Asignación de data owners y stewards: para cada activo del inventario, nombrar un responsable con autoridad para decidir sobre acceso, calidad y uso. No tiene que ser un cargo nuevo: en la mayoría de los casos, esa persona ya existe y solo necesita que la responsabilidad sea explícita.
- Definición de criterios de calidad mínimos: establecer, por dominio, qué significa que un dato es “suficientemente bueno” para ser usado en un proceso de negocio o en un modelo. Completitud, unicidad, consistencia temporal: tres dimensiones básicas que el framework ISO/IEC 25012 ya define y que pueden operacionalizarse sin infraestructura compleja.
Estos tres pasos no reemplazan un programa maduro de gobernanza, pero eliminan el síntoma más costoso: el equipo que no sabe qué tiene ni a quién preguntar cuando un proyecto se traba en el primer sprint.
La gobernanza de datos no es el proyecto que viene después de la IA: es la condición sin la cual la IA es, en el mejor caso, un experimento que no escala. Para lectura de referencia, el DAMA-DMBOK (segunda edición) y el marco CDMC del EDM Council son los puntos de partida técnicos más sólidos disponibles hoy para equipos de la región.
