Antes de hablar del modelo, habla de los datos.
Cuando una organización decide escalar un proyecto de IA, la conversación suele girar alrededor del modelo: qué arquitectura usar, cómo afinar los hiperparámetros, qué infraestructura de inferencia desplegarlo. Son preguntas legítimas. Pero hay una pregunta anterior que pocas organizaciones responden bien antes de llegar a ellas: ¿quién gobierna los datos que van a alimentar ese sistema?
El gobierno del dato no es una práctica nueva. Lleva décadas en la agenda de las áreas de datos y tecnología. Lo que sí es nuevo es la presión que la IA ejerce sobre él. Un sistema de IA en producción depende de datos de forma mucho más directa y frágil que un informe de business intelligence o un cuadro de mando. Si los datos cambian de estructura, si su calidad degrada, si su linaje se rompe o si su acceso se vuelve inconsistente, el modelo no solo produce resultados peores: puede producir resultados incorrectos de formas que son difíciles de detectar.
El gobierno del dato no es un requisito burocrático previo a la IA. Es la condición que determina si la IA puede operar con fiabilidad.
Qué significa gobernar el dato en el contexto de la IA
El gobierno del dato en el contexto de un proyecto de IA tiene cuatro dimensiones que conviene distinguir:
Propiedad y responsabilidad
Cada conjunto de datos relevante para el sistema tiene que tener un propietario claro: alguien que decida quién puede acceder, en qué condiciones, para qué propósito y durante cuánto tiempo. Sin esa propiedad definida, los datos que alimentan el modelo son un recurso compartido sin control, y cualquier cambio en ellos puede afectar al sistema sin que nadie sea responsable de haberlo anticipado.
La propiedad del dato no es solo una cuestión organizativa. Tiene implicaciones técnicas directas: quién aprueba los cambios de esquema, quién valida la calidad antes de que un nuevo lote entre en el pipeline de entrenamiento, quién da acceso a nuevos consumidores del dato.
Calidad y validación
Un modelo entrenado con datos de baja calidad aprende patrones incorrectos. Un modelo en producción que recibe datos de baja calidad degrada su rendimiento de formas que pueden ser lentas e invisibles hasta que el problema es significativo.
El gobierno del dato incluye definir qué significa ‘calidad suficiente’ para cada caso de uso, cómo se mide y quién la valida. Esto no es diferente de lo que se hace en ingeniería de software cuando se define la cobertura de tests aceptable para un sistema crítico. La diferencia es que en IA los efectos de no hacerlo son más difusos y más costosos de rastrear.
Linaje y trazabilidad
Saber de dónde vienen los datos que usa el modelo, qué transformaciones han sufrido y cómo han cambiado con el tiempo es lo que permite diagnosticar problemas cuando el rendimiento degrada. Sin linaje, un deterioro del modelo puede deberse a decenas de causas distintas y el proceso de diagnóstico se convierte en una búsqueda manual en sistemas que nadie documentó bien.
El linaje también es un requisito de cumplimiento en sectores regulados. La normativa de IA que está emergiendo en Europa (AI Act) y los marcos de auditoría de sistemas automatizados exigen cada vez con más frecuencia poder demostrar qué datos se usaron para entrenar un modelo y con qué criterios de calidad.
Acceso y control
Los sistemas de IA en producción consumen datos de múltiples fuentes y en múltiples formatos. El control de acceso a esos datos, los contratos de datos entre sistemas y la gestión de versiones de los datasets son parte del gobierno del dato que más fácilmente se omite en proyectos de IA que arrancan como pilotos exploratorios.
Un piloto puede funcionar bien con acceso directo a una base de datos de producción. Un sistema productivo necesita contratos de datos explícitos, versionado de datasets y mecanismos para que los cambios en las fuentes de datos no rompan el pipeline de entrenamiento o de inferencia sin previo aviso.
Los tres síntomas de un gobierno del dato insuficiente
En proyectos de IA que no llegan a producción o que degradan rápidamente después del lanzamiento, estos son los patrones más frecuentes:
- El rendimiento del modelo en producción no reproduce el rendimiento en validación. Casi siempre hay una diferencia entre los datos con los que se validó el modelo y los datos que llegan en producción. Cuando esa diferencia es sistemática, el problema está en el gobierno del dato, no en el modelo.
- Nadie sabe qué versión del dataset se usó para entrenar el modelo que está en producción. Sin versionado de datasets y sin registro del linaje de entrenamiento, el modelo es una caja negra que no se puede auditar ni reproducir.
- Un cambio en un sistema origen rompe el pipeline sin aviso. Si los contratos de datos no existen o no se respetan, cualquier cambio de esquema o de semántica en los datos de origen puede romper el sistema de IA de formas silenciosas y difíciles de diagnosticar.
Por dónde empezar
El gobierno del dato no requiere un programa de transformación de dos años antes de poder empezar con IA. Requiere aplicar las prácticas correctas desde el principio del proyecto, con el alcance que corresponde a cada fase.
En la fase de piloto es suficiente con identificar los propietarios de los datos, documentar su origen y las transformaciones aplicadas, y definir los criterios de calidad mínimos para el caso de uso. En la transición a producción, eso se convierte en contratos de datos formales, versionado de datasets y un proceso definido de validación de calidad antes de cada ciclo de entrenamiento.
La clave es no tratar el gobierno del dato como un requisito que se aborda después de que el modelo funcione. Se aborda en paralelo, porque los problemas que genera ignorarlo aparecen exactamente en el momento en que más cuesta resolverlos: cuando el sistema ya está en producción.
En Irontec trabajamos con organizaciones que quieren construir sistemas de IA que operen de forma fiable en producción. Si tu proyecto de IA está atascado o si estás planificando una transición de piloto a sistema productivo, podemos ayudarte a evaluar qué elementos de gobierno del dato necesitas en tu contexto concreto.
