El AI Governance Lead es la persona responsable de que el uso de inteligencia artificial dentro de una empresa sea legal, auditable y defendible. Define qué se puede usar y qué no, documenta las decisiones, evalúa riesgos antes de cada implementación y responde cuando un regulador, un cliente corporativo o un auditor pregunta cómo funciona un sistema.

Hasta hace poco, esa función la absorbía a medias el área legal o el equipo de seguridad. Dejó de alcanzar. Cuando una compañía tiene decenas de procesos con IA en producción —selección de personal, scoring crediticio, atención al cliente, generación de contenido—, la gobernanza necesita un dueño con nombre y apellido.

Qué hace un AI Governance Lead

Inventario y clasificación de riesgo

El primer trabajo es siempre el mismo y suele revelar sorpresas: hacer el mapa de todos los sistemas de IA que la empresa usa, incluidos los que adoptó cada área por su cuenta. Después, clasificarlos por nivel de riesgo. No es lo mismo un asistente que resume reuniones que un modelo que decide a quién se le aprueba un crédito.

Políticas de uso

Definir reglas claras y aplicables: qué datos pueden entrar a una herramienta de IA, qué proveedores están aprobados, qué decisiones requieren revisión humana obligatoria, cómo se maneja la información de clientes. Una política que nadie puede cumplir termina ignorada, así que buena parte del trabajo es hacerla practicable.

Evaluación previa a la implementación

Antes de que un sistema salga a producción, el AI Governance Lead evalúa: qué datos usa, qué sesgos puede tener, cómo se explica una decisión, qué pasa si falla, quién responde. Es el equivalente a una revisión de seguridad, pero enfocada en el comportamiento del modelo.

Documentación y auditoría

Mantener el rastro: qué versión del modelo está corriendo, con qué datos se entrenó o se ajustó, quién aprobó el despliegue, qué pruebas se hicieron. Es la parte menos glamorosa y la que más importa cuando aparece un problema.

Formación interna

Traducir todo lo anterior para el resto de la organización. Un equipo de marketing que no entiende por qué no puede pegar una base de clientes en una herramienta pública va a hacerlo igual.

Por qué el rol se volvió necesario

La regulación avanzó. El Reglamento de Inteligencia Artificial de la Unión Europea estableció obligaciones escalonadas según el nivel de riesgo del sistema, con requisitos de documentación, transparencia y supervisión humana. Su alcance excede a Europa: cualquier empresa de la región que venda a clientes europeos o procese sus datos queda alcanzada.

Los clientes corporativos empezaron a preguntar. Las áreas de compras de empresas grandes incorporaron cuestionarios de IA a sus procesos de contratación de proveedores. No poder responderlos cuesta negocios concretos.

Los estándares se profesionalizaron. Existen ahora marcos de referencia como el AI Risk Management Framework del NIST y la norma ISO/IEC 42001 de sistemas de gestión de IA, que dan estructura a lo que antes era criterio individual.

El riesgo reputacional es real. Un modelo que discrimina en un proceso de selección o un chatbot que promete algo que la empresa no puede cumplir se convierte en un problema público en cuestión de horas.

Qué habilidades combina el rol

Es un puesto híbrido, y esa es la razón por la que cuesta tanto cubrirlo. Requiere:

• Comprensión técnica suficiente. No hace falta entrenar modelos, pero sí entender qué es un modelo fundacional, qué significa fine-tuning, cómo funciona RAG y por qué un sistema alucina. Sin eso, la gobernanza se vuelve burocracia vacía.

• Criterio de riesgo y cumplimiento. Familiaridad con protección de datos, gestión de proveedores y procesos de auditoría.

• Capacidad de traducción. Explicarle a un directorio por qué un proyecto se frena, y a un equipo técnico por qué tiene que documentar algo que ya funciona.

• Explicabilidad. Entender qué técnicas permiten justificar una decisión automatizada, un terreno que se desarrolla en qué es la IA explicable (XAI) y por qué las empresas de LATAM la empiezan a exigir.

• Gestión de datos. La gobernanza de IA se apoya sobre la gobernanza de datos: sin saber de dónde vienen los datos, no hay control posible.

Desde qué roles se llega

1. Compliance o legal tech. Ya manejan marcos regulatorios; les falta la capa técnica de IA.

2. Data governance o data management. Es la transición más natural: el trabajo es estructuralmente parecido, aplicado a modelos en vez de a tablas.

3. Seguridad de la información. Vienen con el método de evaluación de riesgo y la práctica de auditoría.

4. Roles técnicos de IA. Un perfil que implementó sistemas y quiere moverse hacia una función más estratégica.

El presupuesto es un factor que suele definir la urgencia del rol: cuando una empresa empieza a ver cuánto gasta en herramientas de IA distribuidas entre áreas, aparece la necesidad de ordenar. El análisis de cuánto cuesta implementar IA en una empresa muestra bien esa dispersión.

Cómo empezar si el rol todavía no existe en tu empresa

La forma más efectiva de llegar al puesto es crearlo. Un camino concreto:

• Armá el inventario de herramientas de IA que se usan hoy, área por área. Casi siempre hay más de las que la dirección imagina.

• Clasificá cada una por nivel de riesgo según el tipo de decisión que toma y los datos que procesa.

• Identificá los tres casos con mayor exposición y proponé controles concretos para cada uno.

• Presentá el mapa a la dirección con una recomendación de política mínima viable.

Ese documento suele ser suficiente para que la conversación sobre gobernanza arranque, y quien lo presenta queda naturalmente asociado al rol.

Cursos recomendados de Coderhouse

• Curso de Introducción a la Inteligencia Artificial (nivel inicial). Da la base conceptual imprescindible: qué puede y qué no puede hacer un modelo. Es el punto de partida obligado si venís de compliance o legales.

• Curso de AI Agents (nivel intermedio). Los agentes autónomos son hoy el mayor foco de riesgo porque ejecutan acciones, no solo generan texto. Entender cómo funcionan por dentro cambia por completo la calidad de una política de uso.

• Curso de AI Engineering (nivel avanzado). Para quien necesita evaluar arquitecturas en profundidad: cómo se construye un sistema con modelos, dónde se guardan los datos y qué se puede auditar realmente.

Si tu objetivo es posicionarte para este rol, la secuencia más eficiente es empezar por el curso de Introducción a la IA y seguir con AI Agents: con esa base ya podés escribir una política de uso que un equipo técnico respete.

Preguntas frecuentes

¿Hace falta ser abogado para este rol?

No es un requisito. Muchas de las personas que hoy ocupan el puesto vienen de datos, seguridad o producto. Lo que sí hace falta es entender el marco regulatorio y poder trabajar codo a codo con el área legal, que sigue siendo quien valida las interpretaciones jurídicas.

¿Solo aplica a empresas grandes?

No. Una empresa mediana que vende software a clientes corporativos necesita responder cuestionarios de gobernanza de IA igual que una multinacional. La diferencia es que en una empresa chica el rol suele ser parcial y combinarse con seguridad o con data.

¿Qué diferencia hay con un Chief AI Officer?

El Chief AI Officer impulsa la adopción de IA y define la estrategia de valor; el AI Governance Lead pone los límites y garantiza el control. Son funciones complementarias y, cuando conviven, deliberadamente separadas: quien acelera no debería ser quien audita.

¿La regulación de la Unión Europea afecta a empresas de América Latina?

Sí, cuando el sistema de IA se usa con personas o datos dentro de la Unión Europea, o cuando el cliente final está allí. Además, buena parte de las empresas globales trasladan los mismos requisitos a toda su cadena de proveedores, sin importar el país de origen.

¿Por dónde conviene empezar a construir la gobernanza?

Por el inventario. No se puede gobernar lo que no se conoce, y en la mayoría de las organizaciones hay herramientas de IA en uso que nunca pasaron por ninguna aprobación formal. El mapa completo suele ser el entregable que más impacto genera en la dirección.