Soluciones innovadoras que aceleran el crecimiento de tu negocio.
Explora nuestros conocimientos y recursos exclusivos.
Descubre las oportunidades que impulsarán tu carrera profesional.
Descubre más sobre Sogeti.
Empieza a escribir palabras clave para buscar en el sitio. Pulse Intro para enviar.
IA Generativa
Cloud
Pruebas
Inteligencia artificial
Seguridad
May 20, 2026
Hay un patrón que observo constantemente en los entornos empresariales. La gobernanza existe… sobre el papel. Políticas, glosarios, umbrales de calidad: todo está documentado (si es que hay algo). Pero cuando nuevas capacidades de IA entran en el data stack, la gobernanza es lo primero que deja de escalar.
Tradicionalmente, la gobernanza ha vivido al lado de los flujos de ingeniería, no dentro de ellos. Ha sido algo que se audita después —un paso manual sostenido por personas que se preocupan lo suficiente por mantenerlo. Y si se marchan o apartan la mirada, el proceso se deshace o simplemente se vuelve demasiado lento, con demasiadas barreras que superar.
Los sistemas de IA están entrando en flujos operativos, lo que eleva los riesgos. Usuarios humanos, sistemas de BI y agentes de IA consumen todos del mismo patrimonio de datos. Si no comparten definiciones, infraestructuras e interfaces, la inconsistencia crecerá rápidamente.
Es una conversación arquitectónica. La gobernanza debe convertirse en parte del motor que nos lleve hacia sistemas de IA estables y sostenibles.
Tres tipos de consumidores dependen ahora de la misma infraestructura:
Los tres deben estar alineados, y por eso la ontología es fundamental. Conecta las estructuras de datos brutos con el significado empresarial. Actúa como traductor entre tablas estructuradas, representaciones gráficas y lenguaje humano. La gobernanza de IA debe garantizar que todos los sistemas operen sobre la misma capa semántica.
¿Cómo avanzamos en esa dirección?
Para soportar IA a escala, la gobernanza debe desplazarse hacia la izquierda y automatizarse. En lugar de actuar como un control externo, debe integrarse allí donde los datos se producen y se consumen.
Los data contracts son una de las maneras más influyentes de lograrlo. Definen esquemas, semántica y reglas de calidad en el origen. Son programáticos y testeables.
Piensa en entornos de streaming, donde los datos fluyen continuamente en tiempo real: la gobernanza no puede ser un punto de control por lotes. Debe operar en el cable. Los datos que cumplen los umbrales deben fluir hacia los consumidores. Los que no, deben redirigirse a una cola controlada para revisión.
El cambio de mentalidad es clave: la preparación de los datos no es algo que queramos certificar trimestralmente. Es algo que queremos calcular continuamente.
Tratar la gobernanza como una capa “aplicada después” no escala. Integrarla dentro del data stack —junto a modelos, pipelines, APIs y agentes— para que se ejecute como parte del comportamiento normal del sistema, hace que el control sea sostenible.
A medida que los agentes de IA generan resultados, necesitamos entender el contexto detrás de ellos:
Si “linaje” significa solo registrar el texto del prompt, seguimos en modo documentación. Eso es frágil y no escala. Registrar prompts sirve para entrenamiento y mejora, pero no para una gobernanza automatizada y en tiempo real.
En su lugar, el linaje y el contexto pueden tratarse como un ancla matemática: embeddings, recorridos de grafos, hashes de versión… lo que permitiría escalar. Podrías generar una representación point-in-time del espacio de decisión: reconstruir la lógica, medir deriva semántica o definir umbrales que activen intervención humana. Convertir la gobernanza en algo cuantitativo la hace más observable.
Los mecanismos automáticos de gobernanza gestionan lo que no escala para los humanos, mientras que los umbrales y puntuaciones determinan cuándo se requiere supervisión humana. Esto preserva la responsabilidad haciendo que la gobernanza sea viable a escala empresarial.
Pero debemos considerar la dimensión humana. La gobernanza manual no escala indefinidamente. Validaciones repetitivas y comprobaciones de consistencia no son un buen uso de la atención humana, especialmente a alta frecuencia. Llega la fatiga. La automatización puede encargarse de la aplicación predecible. Los humanos son mejores ajustando definiciones, interpretando ambigüedad y resolviendo bordes cuando la máquina hace una pregunta que nunca había hecho antes.
Y si un humano refina un data product, debería ver un retorno inmediato y tangible.
Un modelo de gobernanza que dependa completamente de un único modelo grande y generalista es difícil de estabilizar a largo plazo. Pero un enfoque por capas sería más duradero.
Ingenieros de todas las disciplinas reconocen una verdad fundamental: nunca rompas la interfaz ni los límites del sistema. Aprovecha esa sabiduría en el data stack.
En la base: contratos estrictos y deterministas —reglas que deben cumplirse. Encima: modelos especializados para clasificación, detección de anomalías o decisiones acotadas. Mecanismos de evaluación para marcar respuestas fuera de límites. Límites de alcance para mantener a los agentes enfocados y contenidos, aunque los modelos subyacentes evolucionen.
Los sistemas impulsados por IA requieren bases deterministas fuertes —contratos claros, interfaces estrictas, restricciones no negociables— más mecanismos probabilísticos que supervisen deriva, relevancia y riesgo en entornos dinámicos.
Esta arquitectura modular permite que surjan nuevas capacidades sin romper los controles fundamentales. Es escalable, adaptable y, lo más importante, viable.
Cuanto más pienso en sistemas de IA que operan continuamente y de forma dinámica —contextuales, siempre encendidos— más me pregunto si podemos inspirarnos en ritmos y marcos naturales para visualizar el conjunto. Imagina:
Si la gobernanza va a soportar IA a escala, debe operar con la misma continuidad que los sistemas que gobierna.
No significa rediseñarlo todo a la vez. Empieza por un dominio. Un contrato, un streaming pipeline. Hazlo observable. Hazlo medible. Déjalo funcionar, y expande desde ahí.
La gobernanza podría ser justo el motor que necesitas para mantener en movimiento la preparación de tu ecosistema de datos e IA.
