CEO, Be-cGi Consulting
- ¿Catalina Irurita, por que la inteligencia artificial se ha vuelto un pilar critico para la gobernanza corporativa en empresas que buscan escalar con control?
Porque la inteligencia artificial cambio las reglas del juego de una forma que muchos consejos de administración todavía no terminan de dimensionar. Antes, una empresa podía escalar con procesos manuales, Excel y buena intuición. Hoy, el volumen de datos que genera cualquier operación, desde un e-commerce hasta una aseguradora, supera por mucho la capacidad humana de procesarlos.
Lo que convierte a la IA en un pilar de gobernanza corporativa no es la tecnología en sí misma, sino lo que expone: si una empresa quiere usar IA para automatizar decisiones de crédito, optimizar cadena de suministro o personalizar la experiencia del cliente, inmediatamente necesita responder preguntas que antes podía posponer.
Quien es responsable si el algoritmo discrimina?
Que datos estamos usando y de donde vienen?
Tenemos el derecho legal de usar esos datos para ese fin?
Existe trazabilidad?
La IA funciona como un espejo brutal de la madurez organizacional. Si la gobernanza corporativa es sólida, la IA potencia las capacidades. Si es débil, la IA amplifica los problemas a una velocidad que puede ser devastadora.
Hay algo que no se dice mucho en los foros: la IA no solo necesita gobernanza, la IA está obligando a las empresas a madurar su gobernanza. Es un catalizador. Las empresas que entienden esto están usando la implementación de IA como el pretexto perfecto para ordenar su casa, y eso las pone en una posición competitiva muy superior.
- Desde tu experiencia, como impacta la organizacion y calidad de la data en la toma de decisiones estrategicas del consejo y la alta direccion?
El impacto es directo y muchas veces invisible, que es lo más peligroso.
He visto consejos de administración tomar decisiones de expansión a nuevos mercados basándose en reportes donde los datos del CRM no coincidían con los datos de finanzas, y donde nadie se había preguntado por qué.
Cuando la data no está organizada ni tiene calidad, sucede algo muy sutil pero muy costoso: la alta dirección empieza a operar con una versión de la realidad que no es la realidad. Toman decisiones sobre cifras que parecen solidas pero que están construidas sobre definiciones inconsistentes. Un ejemplo clásico: la métrica de churn. Si marketing, finanzas y operaciones calculan el churn de forma diferente, el CEO está recibiendo tres historias distintas sobre la salud del negocio. Y probablemente ninguna es correcta.
Desde mi experiencia en customer experience, agrego otra capa: los datos del cliente suelen ser los más fragmentados de toda la organización. La experiencia del cliente se vive en silos, ventas tiene una parte, soporte tiene otra, marketing otra, y nadie tiene la película completa. El consejo recibe un NPS, pero ese NPS muchas veces es un promedio que esconde más de lo que revela.
Lo que pocos directores generales quieren escuchar es esto: antes de pedirle a la IA que te de insights, asegúrate de que tus datos merecen ser analizados. Si la base está contaminada, el insight que obtengas va a ser una mentira muy bien vestida.
- Que riesgos de gobernanza aparecen cuando una empresa adopta IA sin tener previamente estructurada su información?
Los riesgos son múltiples y se manifiestan en cascada.
El primero es el riesgo regulatorio. En America Latina estamos viendo una aceleración normativa importante. México tiene la Ley Federal de Protección de Datos Personales, Colombia tiene la Ley 1581, Brasil tiene la LGPD, y la Unión Europea, que es referente para muchas multinacionales que operan en la región, ya tiene el AI Act en vigor.
Si alimentas un modelo de IA con datos personales que no clasificaste, que no sabes de donde vinieron y sobre los cuales no tienes consentimiento documentado, estas en territorio de incumplimiento legal serio.
El segundo riesgo es operativo. He visto empresas que implementan herramientas de automatización basadas en IA sobre datos que tienen duplicados, campos vacíos, formatos inconsistentes. El resultado es que la automatización replica y escala los errores. No los elimina, los institucionaliza.
El tercer riesgo, y es el que menos se discute, es el riesgo reputacional. Si tu chatbot de atención al cliente responde con información errónea porque los datos de producto no están actualizados, o si tu modelo de scoring crediticio discrimina porque los datos históricos contienen sesgos no identificados, el daño a la marca puede ser irreversible.
El secreto que la industria tecnológica no quiere decir en voz alta es que la mayoría de los fracasos en proyectos de IA no son por la tecnología. Son por los datos. Gartner ha estimado que hasta el 85% de los proyectos de IA fallan, y la causa raíz más común es la calidad y disponibilidad de los datos, no la sofisticación del modelo.
- ¿De qué manera una data bien ordenada mejora los procesos internos, la trazabilidad y el cumplimiento normativo?
Cuando hablamos de datos bien ordenados, estamos hablando de algo muy específico: datos con dueño claro (data owners), con definiciones estandarizadas que toda la organización comparte (un glosario de negocio), con reglas de calidad medibles, con linaje documentado (de donde viene cada dato, como se transforma, a donde llega) y con políticas de acceso que definen quien puede ver qué.
Cuando eso está en su lugar, los procesos internos se transforman de una manera que va mucho más allá de la eficiencia. Primero, se elimina lo que yo llamo el impuesto de la desconfianza: ese tiempo enorme que los equipos dedican a reconciliar números, a verificar si el dato que les llego es correcto, a construir sus propias versiones de la verdad en hojas de cálculo paralelas. En algunas organizaciones, los analistas dedican hasta el 60% de su tiempo a limpiar y validar datos antes de poder usarlos. Eso es una hemorragia de productividad.
La trazabilidad se convierte en algo orgánico, no forzado. Si cada dato tiene linaje, cuando un regulador o un auditor pregunta de dónde salió una cifra en un reporte financiero, la respuesta no requiere una investigación de dos semanas. Está documentada. Esto es particularmente critico en industrias reguladas como banca, telecomunicaciones, salud y energía.
Respecto al cumplimiento normativo, hay un cambio de paradigma que muchas empresas no están viendo: estamos pasando de un modelo de cumplimiento reactivo (te auditan y demuestras que cumples) a un modelo de cumplimiento continuo y automatizado. Con datos bien gobernados, puedes tener dashboards en tiempo real que te muestren tu nivel de cumplimiento, que identifiquen anomalías antes de que se conviertan en problemas y que generen la evidencia que necesitas sin esfuerzo manual.
- Como se traduce la correcta gestión de datos en mayor productividad y eficiencia operativa en equipos multidisciplinarios?
Esta es una de las preguntas que más me apasionan porque toca directamente la experiencia del colaborador, que es una dimensión que muchas empresas olvidan cuando hablan de datos. Tendemos a pensar en datos como algo técnico, de IT. Pero la gestión de datos impacta directamente en cómo trabajan las personas cada día.
En un equipo multidisciplinario, marketing necesita datos de ventas, ventas necesita datos de producto, producto necesita datos de soporte, y soporte necesita datos de marketing para entender que se le prometió al cliente. Si cada equipo tiene sus propias definiciones, sus propios repositorios y sus propias lógicas de cálculo, lo que obtienes es un ecosistema de desconfianza donde las reuniones se convierten en debates sobre cual número es el correcto en lugar de decisiones sobre qué hacer con ese número.
Cuando implementas gobierno de datos, lo primero que notas no es un dashboard más bonito. Lo primero que notas es que las reuniones cambian. La gente deja de discutir los datos y empieza a discutir las decisiones. Ese cambio, que parece sutil, tiene un impacto brutal en la velocidad de ejecución.
Hay una cifra que a mí me parece reveladora: según estudios de McKinsey, los empleados pasan en promedio 1.8 horas al día buscando y recopilando información. Eso es casi el 20% de la jornada laboral. Con una gestión de datos adecuada, con catálogos, glosarios y acceso gobernado, ese tiempo se reduce dramáticamente. Multiplica eso por cientos o miles de empleados y la cifra de productividad recuperada es asombrosa.
- Que indicadores clave (KPIs) deberían observar los lideres para medir el retorno real de implementar IA sobre una base de datos solida?
Este tema me parece fundamental porque la mayoría de las empresas miden mal el retorno de la IA. Se enfocan en métricas de vanidad: cuantos modelos tenemos en producción, cuantas automatizaciones implementamos. Eso es como medir el éxito de un restaurante por cuantos hornos tiene en la cocina.
Los KPIs que realmente importan operan en tres niveles. A nivel de calidad de datos: tasa de completitud de campos críticos, porcentaje de registros que cumplen reglas de calidad definidas, tiempo promedio de resolución de incidentes de calidad de datos, y porcentaje de activos de datos con dueño asignado y metadata documentada.
A nivel de impacto operativo: reducción del tiempo dedicado a preparación y reconciliación de datos (ese impuesto de desconfianza que mencionaba), reducción de tiempo de generación de reportes regulatorios, y velocidad de onboarding de nuevas fuentes de datos a los sistemas analíticos.
A nivel de impacto de negocio: incremento en precisión de modelos predictivos (un modelo alimentado con datos limpios vs datos sucios puede tener una diferencia de rendimiento del 30 al 40%), reducción de costos por decisiones basadas en datos erróneos, tiempo de time-to-market para nuevos productos basados en datos, y reducción de exposición a sanciones regulatorias.
Pero si tuviera que elegir un solo KPI que revela si la gobernanza de datos está funcionando, seria este: el porcentaje de decisiones estratégicas que el comité directivo toma usando una única fuente de verdad versus múltiples versiones de los datos. Si ese número está subiendo, estas en el camino correcto.
- Que hace específicamente tu compañía para ayudar a las organizaciones a ordenar, gobernar y activar su data con IA?
En Be-cGi Consulting diseñamos e implementamos programas de gobierno de datos que transforman los datos de un costo operativo a un activo estratégico, con implementaciones aceleradas y sin depender de soluciones propietarias millonarias.
Nuestro enfoque es distinto: no somos ingenieros que hablan de datos, somos estrategas de negocio que traducen el gobierno de datos en revenue, en mejor experiencia de cliente y en operaciones que escalan.
Y lo hacemos con una filosofía muy clara: la tecnología es el medio, no el fin. El centro siempre son las personas y los procesos.
Trabajamos desde 4 dimensiones:
Primero, trabajamos en el diagnóstico y la estrategia: evaluamos la madurez de datos de la organización, identificamos las brechas críticas y diseñamos una hoja de ruta pragmática que se alinea con los objetivos de negocio, no con los deseos del área de tecnología. Segundo, implementamos la arquitectura de gobernanza: definimos roles (data owners, data stewards), construimos glosarios de negocio, establecemos reglas de calidad y políticas de acceso, y desplegamos herramientas de catalogación y linaje de datos.
Tercero, y esto es lo que nos diferencia, trabajamos la gestión del cambio cultural. He aprendido en más de 22 años de experiencia en marketing, comunicaciones y customer experience que la mejor tecnología del mundo fracasa si las personas no la adoptan. Así que invertimos tiempo en que los equipos entiendan el por qué detrás del gobierno de datos, no solo el cómo. Formamos data stewards que se convierten en evangelizadores internos.
Y cuarto, preparamos a la organización para la IA. Una vez que los datos están gobernados, clasificados y con calidad medida, ayudamos a identificar los casos de uso de IA que generan mayor impacto con menor riesgo. Trabajamos con modelos como la clasificación automática de datos sensibles, la detección de anomalías en calidad de datos, y los modelos predictivos que requieren datos limpios para funcionar. Operamos principalmente en America Latina, con sede en Ciudad de México, y hemos trabajado con empresas en sectores como telecomunicaciones, donde la complejidad y volumen de datos hacen que el gobierno de datos sea una necesidad urgente.
- En términos prácticos, cual es la diferencia entre una empresa que usa IA y una que esta lista para IA?
Esta distinción es probablemente la más importante de toda esta conversación, y es donde veo la mayor confusión en el mercado.
Una empresa que usa IA es una empresa que compro herramientas. Implemento un chatbot, puso un copiloto de código para sus desarrolladores, quizá tiene un modelo de recomendaciones. Pero esas herramientas operan como islas: no están conectadas a una estrategia de datos integral, no tienen gobernanza sobre los datos que consumen, y no hay claridad sobre quien es responsable cuando algo falla.
Una empresa que esta lista para IA es algo completamente diferente. Es una empresa que sabe dónde están sus datos, quien los posee, que calidad tienen, como se transforman, quien puede acceder a ellos y bajo qué condiciones. Tiene un glosario de negocio donde el termino cliente significa lo mismo para marketing, para finanzas y para operaciones. Tiene linaje de datos que le permite rastrear cualquier métrica desde el dashboard desde el CEO hasta la tabla de origen. Tiene políticas de clasificación de datos que distinguen entre datos públicos, internos, confidenciales y regulados. Y tiene personas capacitadas que entienden que los datos son un activo y los tratan como tal.
La analogía que uso frecuentemente es la de la salud: usar IA sin gobierno de datos es como tomar medicamentos sin haber hecho un diagnóstico. Puedes tener suerte, pero lo más probable es que no resuelvas el problema real y generes efectos secundarios que no anticipaste. Estar listo para IA es haber hecho el chequeo completo, conocer tu condición, y entonces sí, aplicar el tratamiento correcto.
- Que consecuencias enfrenta una organización que mantiene su data desordenada en un entorno de automatización, analítica avanzada y auditoria?
Las consecuencias operan en una escalada que muchas veces las organizaciones no perciben hasta que es demasiado tarde. En la fase inicial, las consecuencias parecen manejables: reportes que no cuadran, equipos que pasan horas reconciliando datos, decisiones que se retrasan porque nadie confía en los números. Las empresas normalizan esto. Lo ven como parte del costo de operar.
Pero cuando introduces automatización sobre datos desordenados, la escala cambia dramáticamente. Ya no es un analista cometiendo un error en una hoja de cálculo. Es un proceso automatizado replicando ese error miles de veces por hora. He visto casos donde automatizaciones de facturación generaron cobros incorrectos masivos porque los datos maestros de clientes tenían duplicados no resueltos. El costo de revertir eso, tanto financiero como reputacional, fue ordenes de magnitud mayor que lo que habría costado gobernar esos datos desde el principio.
En analítica avanzada, los datos desordenados producen lo que en la industria llamamos garbage in, garbage out, pero potenciado. Un modelo de machine learning entrenado con datos sesgados o incompletos no solo da respuestas incorrectas, da respuestas incorrectas con un nivel de confianza alto. Eso es mucho más peligroso que no tener modelo.
Y en el frente de auditoría, la situación se está poniendo cada vez más exigente. Los reguladores en America Latina están evolucionando. Ya no solo piden que demuestres que cumples, están empezando a pedir que demuestres como tomas decisiones automatizadas, con que datos, y que controles tienes. Si tu data esta desordenada, responder a una auditoria se convierte en un proyecto de emergencia que paraliza equipos enteros. He visto organizaciones que dedican trimestres completos a prepararse para auditorias que, con datos bien gobernados, podrían resolver en días.
- Mirando a futuro, como visualizas la evolución de la gobernanza de datos como ventaja competitiva frente a mercados cada vez mas regulados y automatizados?
Estamos en un punto de inflexión histórico. La gobernanza de datos está pasando de ser una función técnica que vivía en IT a convertirse en una capacidad estratégica de negocio que reporta o debería reportar al más alto nivel de la organización. Mi visión es que en los próximos tres a cinco años, el Chief Data Officer o el ejecutivo responsable de datos va a tener el mismo peso en el comité directivo que hoy tiene el CFO.
La razón es simple: la regulación y la IA están convergiendo. El EU AI Act ya exige que las empresas demuestren la calidad y trazabilidad de los datos usados para entrenar sistemas de IA de alto riesgo. America Latina va en la misma dirección. Brasil, Perú, Colombia, México y Chile, todos están avanzando en marcos regulatorios que van a pedir exactamente esto. Las empresas que ya tengan su casa de datos en orden van a poder moverse rápido. Las que no, van a quedarse atrapadas en proyectos de remediación mientras sus competidores innovan.
Pero mas allá de la regulación, hay una dimensión competitiva que me parece aún más poderosa: la gobernanza de datos como habilitador de experiencias de cliente superiores. Las empresas que realmente conocen a sus clientes, que tienen datos unificados, limpios y accesibles, pueden personalizar experiencias, anticipar necesidades y resolver problemas antes de que el cliente los perciba. En un mercado donde los productos se comotizan cada vez más rápido, la experiencia del cliente se convierte en el diferenciador definitivo. Y esa experiencia solo es posible con datos gobernados.
Hay algo que digo con frecuencia y que resume mi visión: los datos hoy son el nuevo petróleo. Pero el petróleo se extrae y se agota.
Los datos se están transformando a ser más como el agua: si los cuidas, los filtras y los canalizas bien, sostienen todo el ecosistema. Si los contaminas o los desperdicias, envenenan todo lo que tocan. La gobernanza de datos es el sistema de tratamiento de agua de tu organización. Y las empresas que lo entiendan primero van a ser las que lideren sus mercados en la próxima década.
