Por Hugo Vera, CEO -Data Strategy Advisor Aliware -BI Solutions –Implementador CertGED
La expansión acelerada de la inteligencia artificial ha despertado una expectativa global que, en muchos casos, avanza más rápido que las capacidades reales de gestión del dato dentro de las organizaciones. Hablar de agentes, IA agentica o modelos generativos es atractivo, pero intentar construir estos desarrollos sin estrategia, sin gobierno y sin calidad del dato es comparable a levantar un edificio únicamente con el techo. Los cimientos todavía no están ahí.
Un análisis de varias consultoras como Gartner, muestra que entre el 90% y el 95% de las empresas no han creado, documentado ni ejercitado una estrategia de datos. No existe una guía escrita que indique cómo caminar, qué priorizar, quién decide, quién es dueño del dato o cómo se mide el avance. Esa falta de dirección explica por qué cerca del 90% de las iniciativas de IA fracasan o no alcanzan los objetivos esperados.
La paradoja del “dato como activo”
En el discurso corporativo, al dato se lo ve como “el mayor activo”. Sin embargo, preguntas tan esenciales como “¿cuánto cuesta nuestro dato?” permanecen sin respuesta; no existe valoración económica, ni métricas, ni responsabilidad explícita.
Los marcos de referencia como DMBOK de DAMA, establecen que una organización debe valorar el dato, definir roles y construir un modelo de gobierno. Pero muchas empresas adoptan estos marcos sin convertirlos en práctica.
Una estrategia del dato debe tener el mismo nivel de formalidad que una estrategia financiera o de marketing. Debe estar escrita, aprobada, alineada al plan empresarial y acompañada de una visión clara de cómo evolucionará la organización en los próximos años.
Sin ese documento, las empresas operan desde la desconexión. TI intenta resolver problemas que no le corresponden; el negocio evita invertir en capacidades que no entiende; y cualquier iniciativa queda aislada. Cuando la estrategia existe, el gobierno se convierte en un instrumento para supervisar y orientar el uso del dato de acuerdo con la misión de la organización.
Casos de uso: el verdadero punto de partida
El enfoque tradicional ha sido técnico: tomar datos, transformarlos y generar tableros. Aunque útil, ese camino no genera valor si no está anclado a un caso de uso del negocio.
Un caso de uso estratégico es, por ejemplo, elevar al 95% la calidad del dato del cliente para lograr un objetivo comercial. Otro caso de uso puede ser cumplir con una regulación de protección de datos, lo que automáticamente activa la necesidad de linaje, metadatos, roles y controles. También puede ser la creación de un tablero unificado de eficiencia operacional alineado a un objetivo corporativo.
Cuando se parte del caso de uso, la estrategia se vuelve visible; el gobierno se simplifica; y la conversación se convierte en organizacional. Bajo ese esquema, gobierno, metadatos, calidad y roles pasan a ser elementos que permiten alcanzar resultados.
Gobernanza por evolución o por revolución
La gobernanza puede implementarse por dos vías: Evolución, cuando se produce por una mejora continua e innovación y se considera la rentabilidad, y por regulación se está obligado a cumplir requisitos específicos y a ordenar el ecosistema de datos.
Muchas organizaciones impulsan proyectos de BI, big data, ciencia de datos o machine learning porque representan la parte más visible y atractiva de la analítica. El problema aparece cuando buscan tableros y análisis avanzados sin haber construido la arquitectura y el gobierno que sostienen esos resultados. Se asume que incorporar tecnología nueva elimina la necesidad de una base ordenada, y ahí nace el error.
Para hablar de gobernanza, primero hay que contar con prácticas, seguridad y protección del dato. Aunque la seguridad ha ganado madurez y ocupa un lugar prioritario en las empresas, la privacidad y la gestión responsable de la información todavía muestran rezagos importantes. Gobernar significa establecer controles, políticas, estándares y procesos que permitan la trazabilidad y uso adecuado del dato. Sin ese cimiento, cualquier iniciativa analítica queda incompleta y se vuelve difícil de sostener en el tiempo
Fundamentos, marcos y evaluaciones
DMBOK de DAMA describe qué es gobierno del dato, pero no cómo implementarlo. Por ello, en la práctica se requiere complementar con marcos como DCAM, el Data Management Toolkit del Club CDO España/Latam y otros que permiten medir madurez en estrategia del dato, gestión, consumo, analítica avanzada, madurez de IA generativa y madurez ética.
El proceso debe empezar por nivelar conceptos de calidad, privacidad, metadatos, linaje y roles en lenguaje de negocio, crear la estrategia del dato basada en casos de uso priorizados, realizar una evaluación de madurez con marcos reconocidos, diseñar un marco de trabajo flexible, no burocrático. Y solo al final, seleccionar tecnología, una vez que la arquitectura conceptual esté definida.
Hay elementos que no son negociables cuando una organización decide avanzar hacia una verdadera gobernanza del dato. Y es contar con un modelo que defina roles y responsabilidades; establecer un glosario de negocio que elimine ambigüedades; e iniciar con reglas básicas de calidad y con los responsables que deben aplicarlas. Cuando estos pilares existen, los data stewards y los data owners —que pertenecen al negocio— asumen el liderazgo sobre la gestión y la calidad de la información.
De iniciativas aisladas a productos de datos
Uno de los errores más comunes es comprar herramientas de gobierno sin un marco gobernante o crear tableros sin estructura de metadatos ni linaje. El cambio se produce cuando los casos de uso se convierten en productos de datos.
Un producto de datos tiene ficha técnica, business case, arquitectura, validación, linaje, calidad, protección y documentación. Está empaquetado, es utilizable y está valorado económicamente. Permite calcular ROI, VAN, TIR y justificar inversiones en plataformas.
Con este modelo, la oficina del dato pasa a generar retorno. La estrategia se vuelve medible y los avances se reflejan en la madurez de la organización.
Gobierno se construye con prioridades
La gobernanza funciona como un LEGO: se construye por piezas, priorizando los bloques que permiten llegar a productos de datos éticos, con metadatos, calidad, seguridad, privacidad y una arquitectura capaz de soportar modelos avanzados de IA.
La estrategia debe considerar lo que la organización puede hacer, lo que la regulación exige y lo que éticamente corresponde hacer.
Cuando existe una oficina del dato y un sponsor que respalda su rol, es posible construir un data roadmap, el mismo incluye iniciativas, indicadores de gobierno, metas a corto y mediano plazo, y una priorización clara de casos de uso.
La recomendación es trabajar un máximo de ocho casos de uso por año, siguiendo metodologías como EOS. En gobernanza, menos es más, lo que se requiere es entregar resultados que permitan mejorar la valoración de madurez año tras año.