Data governance es el conjunto de políticas, roles y procesos que definen quién puede acceder a qué datos, cómo se los usa, quién responde por su calidad y cómo se los protege. Dicho simple: es el sistema de reglas que convierte a los datos de una empresa en un activo confiable en lugar de un archivo desordenado que nadie sabe si está bien.

Durante años fue un tema de empresas grandes y reguladas. La adopción de inteligencia artificial lo volvió urgente para todas, por una razón concreta: un modelo entrenado o alimentado con datos malos produce resultados malos con una confianza que hace difícil detectar el error.

Qué incluye la gobernanza de datos

No es una herramienta que se compra. Es una función que se organiza sobre cinco componentes.

1. Propiedad y responsabilidad

Cada conjunto de datos tiene un dueño de negocio (quien define qué significa y cómo debe usarse) y un custodio técnico (quien se ocupa de que exista, esté actualizado y sea accesible). Sin nombres asignados, la gobernanza es un documento que nadie aplica.

2. Diccionario de datos y definiciones

Qué es exactamente un "cliente activo", cómo se calcula el "ingreso mensual", qué cuenta como una "venta". Parecen obviedades hasta que dos áreas presentan números distintos en la misma reunión porque usan definiciones diferentes.

3. Calidad

Reglas medibles: qué campos no pueden estar vacíos, qué formato debe tener cada dato, con qué frecuencia se actualiza, qué umbral de error es aceptable. Sin métricas de calidad, "los datos están mal" es una queja, no un problema que se pueda resolver.

4. Acceso y seguridad

Quién ve qué, bajo qué condiciones y con qué registro. Incluye clasificación por sensibilidad, anonimización de datos personales y trazabilidad de los accesos.

5. Linaje y trazabilidad

De dónde viene cada dato, por qué transformaciones pasó y en qué reportes o modelos termina. Es lo que permite responder la pregunta que aparece siempre después de un error: ¿a qué más afectó esto?

Por qué la IA lo volvió crítico

Hay cuatro razones que explican por qué el tema pasó de ser una buena práctica a una necesidad.

Los modelos amplifican los problemas de datos. Un reporte con datos sucios muestra un número raro y alguien lo nota. Un modelo alimentado con datos sucios genera respuestas plausibles y equivocadas que nadie cuestiona. El desarrollo de calidad de datos como primer problema a resolver antes de implementar IA desarrolla en detalle este punto.

Los datos salen de la empresa. Cuando un equipo pega información en una herramienta de IA externa, esos datos viajan a un tercero. Sin políticas claras de qué se puede compartir, el riesgo de filtración es permanente y difuso.

Hay que poder explicar las decisiones. Si un sistema automatizado rechaza una solicitud, la empresa tiene que poder justificar por qué. Eso requiere saber qué datos entraron al modelo, algo imposible sin linaje. Es el punto donde la gobernanza de datos se cruza con la IA explicable.

La regulación lo exige. Marcos como el AI Risk Management Framework del NIST y el reglamento europeo de inteligencia artificial establecen requisitos explícitos de documentación sobre los datos usados en sistemas de riesgo alto. Cumplirlos sin gobernanza previa es prácticamente imposible.

Quién lidera la gobernanza de datos

Depende del tamaño de la organización:

• Empresa chica: lo asume el analista de datos o el responsable de sistemas, como parte de su rol. Lo importante es que alguien tenga el mandato explícito.

• Empresa mediana: aparece la figura del Data Steward, generalmente una persona de negocio con conocimiento técnico que hace de puente entre las áreas y el equipo de datos.

• Empresa grande: hay un Chief Data Officer con equipo propio, y un comité de gobernanza con representantes de cada área.

Un patrón que se repite: la gobernanza que nace del área técnica sin participación del negocio fracasa. Las definiciones de datos son decisiones de negocio disfrazadas de decisiones técnicas.

Cómo empezar sin un proyecto de dos años

El error más común es arrancar con un catálogo exhaustivo de todos los datos de la empresa. Ese proyecto nunca termina. Un camino más efectivo:

1. Elegí los cinco indicadores que la dirección mira todas las semanas. Empezá solo por esos.

2. Documentá su definición exacta y de dónde salen. Vas a encontrar inconsistencias en el primer día.

3. Asigná un dueño a cada uno. Una persona con nombre, no un área.

4. Definí reglas de calidad mínimas y un chequeo automático que avise cuando se rompen.

5. Escribí una política de uso de datos en herramientas de IA. Una página, clara, con ejemplos de lo que se puede y lo que no.

6. Expandí de a poco, sumando un dominio de datos por trimestre.

En seis meses de este recorrido se obtiene más gobernanza real que con un proyecto formal de dos años que nadie adopta.

Errores frecuentes

• Comprar la herramienta antes de definir el proceso. Un catálogo de datos vacío es un gasto, no una solución.

• Convertirlo en un obstáculo. Si pedir acceso a un dato tarda tres semanas, la gente va a copiar tablas a planillas propias y la gobernanza se pierde.

• Dejarlo solo en manos de IT. Sin dueños de negocio, las definiciones no se sostienen.

• No medir nada. Sin indicadores de calidad, no hay forma de demostrar que la inversión sirvió.

Dónde vive la gobernanza en la práctica

En la mayoría de las empresas medianas, la gobernanza se apoya sobre el data warehouse. Es el punto donde converge la información de todos los sistemas y donde tiene sentido definir las reglas una sola vez. Si estás montando esa capa, el recorrido de BigQuery para analistas de datos muestra cómo se organiza el acceso y la consulta a escala sin depender de planillas.

Cursos recomendados de Coderhouse

• Curso de Introducción a la Inteligencia Artificial (nivel inicial). Da el contexto necesario para entender por qué los datos son el insumo crítico de cualquier sistema de IA y qué riesgos aparecen cuando fallan.

• Curso de AI Engineering (nivel avanzado). Cubre cómo se construyen sistemas con modelos y dónde entran los datos en esa arquitectura, que es la parte que la gobernanza tiene que poder auditar.

• Curso de AI Automation (nivel inicial). Útil para automatizar los chequeos de calidad y las alertas, que es lo que hace sostenible una política de gobernanza en el tiempo.

Si estás arrancando, el orden que mejor funciona es entender primero cómo consume datos un sistema de IA y después definir las reglas: una política escrita sin ese conocimiento técnico suele ser inaplicable.

Preguntas frecuentes

¿Data governance es lo mismo que seguridad de la información?

No, aunque se solapan. La seguridad se ocupa de proteger los datos de accesos no autorizados; la gobernanza abarca además la calidad, las definiciones, la propiedad y el uso legítimo. Un dato puede estar perfectamente protegido y ser igualmente inservible porque está mal cargado.

¿Una empresa chica necesita gobernanza de datos?

Necesita la versión mínima: definiciones documentadas de sus indicadores clave, un dueño por cada fuente de datos y una política clara sobre qué información puede entrar a herramientas de IA externas. Eso se puede armar en unas pocas semanas y evita la mayoría de los problemas típicos.

¿Qué herramientas se usan?

Existen catálogos de datos y plataformas de calidad, pero para empezar alcanza con un documento compartido de definiciones, controles automáticos en el warehouse y un registro de accesos. La herramienta resuelve la escala, no el problema de fondo, que es organizativo.

¿Cómo se justifica la inversión ante la dirección?

Con casos concretos de costo: decisiones tomadas sobre números equivocados, horas perdidas reconciliando reportes que no coinciden, proyectos de IA que se frenaron porque los datos no estaban listos. El argumento abstracto de "mejor calidad de datos" rara vez consigue presupuesto.

¿Qué rol conviene contratar primero?

Un Data Steward antes que un especialista técnico. El cuello de botella inicial casi nunca es tecnológico: es la falta de alguien con autoridad para decidir qué significa cada cosa y hacer que las áreas se pongan de acuerdo.