Peter Kroll
Country Manager México
Peter Kroll
Country Manager México
México está en un momento particular de su evolución digital. Las grandes corporaciones en banca, manufactura, retail y telecomunicaciones están pasando de experimentar con inteligencia artificial a desplegarla en procesos que afectan decisiones reales: aprobación de créditos, detección de fraude, personalización de productos, automatización de operaciones críticas.
Ese salto de la experimentación al despliegue real expone algo que muchas organizaciones no habían necesitado resolver antes: sus datos no están en condiciones de soportar los modelos que quieren implementar. Y los modelos que implementan no tienen el gobierno que los reguladores, los auditores y sus propios comités de riesgo van a exigir.
El gobierno de datos y el gobierno de IA no son el mismo problema, aunque están profundamente relacionados. Confundirlos o ignorar uno de los dos, es uno de los errores más costosos que puede cometer una organización que quiere escalar IA en producción.
No son lo mismo y los dos son necesarios: el gobierno de datos te dice qué información tenés, dónde está y qué tan confiable es. El gobierno de IA te dice qué hacen tus modelos con esa información, por qué toman las decisiones que toman y cómo controlas que sigan comportándose correctamente con el tiempo.
Gobierno de datos: la condición técnica para escalar IA
Un modelo de IA es tan bueno como los datos que lo alimentan. Eso no es una metáfora — es una realidad técnica que determina si el modelo funciona o no. Si los datos tienen errores, inconsistencias, sesgos no identificados o están dispersos en sistemas que no se integran, el modelo va a aprender las cosas equivocadas y a producir resultados que no se pueden confiar.
El gobierno de datos aborda eso con un conjunto de políticas, procesos y herramientas que garantizan que la información de la organización tenga calidad verificable, linaje trazable, clasificación clara y acceso controlado. No es un proyecto de datos es una capacidad organizacional que se construye de forma incremental y que habilita todo lo demás.
En México, el desafío del gobierno de datos tiene una dimensión adicional: muchas organizaciones llevan décadas acumulando información en sistemas heterogéneos, con definiciones inconsistentes de los mismos conceptos en diferentes áreas. Unificar eso no es trivial. Pero es el trabajo que hay que hacer antes de que cualquier iniciativa de IA pueda dar resultados sostenibles.
Gobierno de IA: la condición regulatoria y ética para operar
El gobierno de IA aborda una pregunta diferente: ¿cómo nos aseguramos de que los modelos que desplegamos se comportan como esperamos, que sus decisiones son explicables, que no introducen sesgos inaceptables y que podemos auditar su funcionamiento cuando alguien nos lo exija?
Esa pregunta importa por tres razones que tienen peso diferente según la industria:
Los entes reguladores en banca y seguros en México y en toda América Latina están empezando a exigir explicabilidad de los modelos que afectan decisiones sobre clientes.
Un modelo que toma decisiones incorrectas de forma sistemática puede generar pérdidas significativas antes de que alguien lo detecte.
Las organizaciones tienen la responsabilidad de asegurarse de que sus sistemas de IA no discriminan ni perjudican a las personas que afectan.
El gobierno de IA no es un freno a la innovación — es lo que hace posible que la innovación sea sostenible. Las organizaciones que construyan esa capacidad hoy van a poder desplegar IA más rápido mañana, porque van a tener la confianza de sus reguladores, sus auditores y sus propios comités de dirección.
La oportunidad para las organizaciones en México
La buena noticia es que el gobierno de datos y el gobierno de IA no tienen que construirse de forma perfecta antes de empezar a escalar IA. Se pueden construir en paralelo, con un enfoque iterativo que permite avanzar en los dos frentes simultáneamente.
Lo que sí requieren es una decisión estratégica clara: que la organización los trata como capacidades críticas, no como proyectos secundarios. Y un acompañamiento que entienda tanto la dimensión técnica como la dimensión organizacional y regulatoria de lo que está construyendo.
Esa es exactamente la conversación que estamos teniendo con los CIOs y directores de tecnología en México. No para entregar un framework genérico — sino para construir, junto con el equipo de cada organización, la arquitectura de gobierno que sus modelos de IA van a necesitar para operar en producción con confianza.
