Una previsión que pone el foco en la cultura
Gartner publicó este 21 de septiembre una previsión según la cual el 60% de las organizaciones que desatiendan los desafíos culturales de la gobernanza de datos fracasará en gobernar adecuadamente la inteligencia artificial para 2027. El anuncio formó parte de las novedades del Gartner Data & Analytics Summit celebrado en Mumbai, India.
El alcance del dato importa: no describe una tasa de fracaso ya observada ni se refiere al conjunto de las organizaciones. Es una predicción sobre aquellas que ignoren esos desafíos culturales, con horizonte en 2027.
Para la gestión empresarial, la advertencia abre una pregunta concreta: ¿cómo comprobar que la gobernanza se practica, en lugar de limitarse a constatar que existe una política? La lectura de Data Productiva es que la respuesta debe buscarse en responsabilidades explícitas y comportamientos verificables, no únicamente en herramientas o documentos.
De la política a una decisión con responsable
Una forma de llevar esa lectura a la operación es revisar un caso de uso de IA y reconstruir sus decisiones sobre los datos: quién autoriza su utilización, quién valida que resultan adecuados para el propósito previsto y quién puede detener el proceso ante una incidencia. Si esas respuestas son ambiguas, conviene resolverlas antes de dar por implementada la gobernanza.
La propuesta no consiste en asignar un nombre genérico a cada base de datos. Consiste en delimitar la autoridad: qué puede aprobar el responsable, qué debe consultar y qué situaciones está obligado a escalar. También exige distinguir entre quien ejecuta un control y quien acepta las consecuencias de una excepción.
Bajo este enfoque, una política se convierte en una instrucción operativa cuando permite saber qué hacer, quién debe hacerlo y qué evidencia dejar.
Medir prácticas, no solo entregables
Como propuesta de seguimiento —no como indicadores anunciados por Gartner—, las empresas pueden observar la proporción de activos de datos críticos con un responsable que haya aceptado formalmente su función y la proporción de usos de IA con una autorización documentada sobre los datos utilizados.
Otro grupo de medidas puede centrarse en la respuesta: tiempo transcurrido hasta asignar una incidencia, tiempo hasta resolverla y cantidad de excepciones que siguen abiertas después de su vencimiento. Para que esos indicadores sean interpretables, cada uno necesita una definición, un alcance y una frecuencia de revisión.
El objetivo no debería ser producir un tablero favorable. Conviene contrastar las cifras con casos concretos: una incidencia cerrada, por ejemplo, debería permitir identificar la corrección realizada y quién verificó su resultado.
La cultura también se expresa en las excepciones
El tratamiento de las excepciones ofrece una prueba práctica para este enfoque. Ante una entrega urgente, ¿se registra la limitación de calidad del dato o se omite para cumplir el plazo? ¿Hay una autorización identificable para continuar? ¿Se establece cuándo revisar esa decisión?
Data Productiva propone observar esas conductas junto con los controles técnicos. También revisar si quienes detectan problemas cuentan con un canal claro para reportarlos y si los responsables de negocio participan en su resolución. No se trata de atribuir toda la gobernanza al área tecnológica ni de convertir cualquier incidencia en un trámite de comité.
Una agenda ejecutiva acotada y comprobable
Un punto de partida razonable es seleccionar un caso de uso de IA, identificar los datos que necesita y acordar las responsabilidades de autorización, calidad y resolución de incidencias. Después, probar el circuito con una situación concreta y registrar dónde se detienen las decisiones.
Esa revisión permitiría evaluar las herramientas por su capacidad para sostener el proceso: registrar aprobaciones, conservar evidencias o dar seguimiento a excepciones. La existencia de esas funciones no debería confundirse con su utilización efectiva.
La previsión de Gartner señala un riesgo hacia 2027, no un desenlace consumado. La implicación editorial es operativa: antes de sumar otra política, conviene comprobar si la organización puede demostrar quién decide sobre sus datos, con qué criterios y cómo corrige los desvíos.