Gobernanza de datos: por qué el lugar donde corre el modelo importa tanto como el modelo

Adoptar inteligencia artificial en una institución o empresa no empieza por el modelo: empieza por los datos, el caso de uso y las reglas de operación. Esta guía resume el orden que recomendamos para que el primer proyecto de IA sea útil, medible y no exponga información sensible.

1. Empiece por el proceso, no por la tecnología

El error más común es comprar "IA" sin saber qué proceso va a mejorar. Antes de hablar de modelos, responda:

• ¿Qué tarea consume más horas del equipo sin agregar criterio humano? (clasificar solicitudes, transcribir reuniones, buscar en documentos).
• ¿Cómo mediría la mejora? (tiempo de respuesta, solicitudes atendidas por día, errores de captura).
• ¿Quién es responsable del resultado cuando el sistema se equivoca?

Un buen primer proyecto de IA es acotado, repetitivo y medible. Un asistente que responde las 20 preguntas más frecuentes de sus usuarios aporta más valor que un proyecto ambicioso sin métricas.

2. Evalúe sus datos antes de prometer resultados

La calidad del resultado depende de la calidad de los datos de entrada. Tres preguntas mínimas:

• ¿Existen en digital? Si la información vive en carpetas físicas, el primer proyecto es la digitalización y la extracción de datos, no el modelo.
• ¿Están organizados? Un repositorio documental con versiones y responsables es suficiente para un buscador semántico; datos dispersos en correos personales no lo son.
• ¿Pueden usarse? Verifique qué datos contienen información personal y qué normativa aplica a su tratamiento.

Si no puede responder estas preguntas con certeza, un diagnóstico de datos de dos semanas le ahorra meses de frustración.

3. Decida dónde corren los modelos

No todas las cargas de IA deben salir a servicios comerciales externos. Regla práctica:

• Información pública o de baja sensibilidad (contenido editorial, preguntas frecuentes publicadas): puede evaluar servicios gestionados.
• Información interna o de terceros (expedientes, historiales, datos financieros): el modelo debe ejecutarse en infraestructura propia o soberana, con contratos que prohíban el uso de sus datos para entrenar modelos ajenos.

Pregunte a cualquier proveedor, en este orden: dónde se procesan los datos, quién puede acceder a ellos, si se usan para entrenar otros modelos y cómo se borran al terminar el contrato.

4. Ponga límites y supervisión desde el día uno

Un sistema de IA en producción necesita reglas explícitas:

• Límites de actuación: qué puede responder o ejecutar el sistema y qué debe derivar a una persona.
• Registro auditable: cada interacción queda asentada, con la fuente de información utilizada.
• Supervisión humana: en procesos sensibles (salud, trámites con efectos jurídicos, decisiones sobre personas), el sistema propone y una persona decide.

Estas reglas no son un obstáculo: son lo que permite defender el proyecto ante una auditoría o ante la ciudadanía.

5. Piloto acotado, luego escala

El camino que mejor funciona:

1. Piloto de 4 a 8 semanas sobre un caso de uso único, con métricas de éxito acordadas.
2. Evaluación con evidencia: precisión, tiempo ahorrado, satisfacción de los usuarios.
3. Despliegue y operación con monitoreo continuo y recalibración periódica.

La inteligencia artificial aplicada con este orden deja de ser una promesa y se convierte en lo que debe ser: una herramienta más de su operación, medible y bajo su control.