Los modelos de IA serán iguales para todos. Lo que sabe cada empresa, no.

Pocas tecnologías llegaron a las empresas con la amplitud de la inteligencia artificial generativa. Su efecto va mucho más allá de automatizar tareas: cambia la forma de evaluar un contrato, de estructurar una propuesta, de conducir una due diligence y, en última instancia, de tomar decisiones. En la mayoría de las organizaciones la adopción ya está en marcha, planificada o no, y la pregunta que importa ahora es en qué términos ocurre.

Hay un aspecto de este cambio que todavía recibe poca atención. Los modelos de lenguaje avanzan rápido, pero tienden a converger: lo que hoy distingue a un proveedor suele estar disponible en los demás en pocos meses, para cualquier competidor dispuesto a pagar. Lo que no converge es el conocimiento que cada empresa acumuló durante años: sus condiciones comerciales, su historial de clientes, sus contratos, la lógica con la que fija precios y decide. La IA solo genera un valor distintivo cuando trabaja sobre ese conocimiento, y es justamente ahí donde está el riesgo.

Muchas empresas reaccionaron restringiendo el uso, con un resultado previsible: la IA se siguió usando, ahora desde cuentas personales y sin ningún registro. El acceso irrestricto tampoco resuelve el problema, porque entrega a terceros decisiones sobre activos que deberían permanecer bajo control de la empresa. Entre ambos extremos hay un camino más maduro: aplicar a la inteligencia artificial la misma disciplina de gobernanza que se reserva al capital y a la información financiera, decidiendo de forma explícita qué conocimiento puede llegar a cada entorno de IA, de qué forma y bajo qué reglas.

La soberanía ya no es un asunto solo de los Estados

La capacidad de construir modelos de frontera está concentrada en pocas empresas, con sede en un número aún menor de países, y cada jurisdicción responde a esa concentración a su manera. La Unión Europea optó por una regulación integral, con un AI Act cuyo alcance se extiende a proveedores establecidos fuera del bloque. Estados Unidos mantiene instrumentos legales que alcanzan datos en poder de sus proveedores incluso fuera de su territorio. China construyó un ecosistema propio, en el que los servicios de IA generativa ofrecidos dentro de sus fronteras están sujetos a exigencias estatales de contenido y, en muchos casos, a registro previo ante las autoridades. Para una empresa latinoamericana, o para un grupo que opera en varios de estos mercados, la elección de un proveedor de IA tiene implicaciones jurídicas y, en cierta medida, geopolíticas.

En este contexto, soberanía significa la capacidad de mantener el control sobre el propio conocimiento: dónde se almacena y se procesa, a qué jurisdicción responde, quién tiene acceso, quién tiene las claves de cifrado, cuánto tiempo se conserva y quién decide sobre todo esto. La asociación automática con servidores propios es engañosa. Ese control puede ejercerse en una nube pública con residencia regional, en nubes soberanas o en infraestructura dedicada, y puede estar completamente ausente en un entorno on-premise mal gobernado.

Dos distinciones suelen escaparse del debate. Región no es jurisdicción: los datos procesados en Brasil por un proveedor extranjero pueden seguir sujetos a la ley del país de origen de ese proveedor. Y las claves de cifrado en poder del cliente protegen los datos almacenados, pero no en el momento en que el modelo los procesa. En definitiva, la soberanía es autonomía estratégica: la capacidad de elegir y de reemplazar proveedores de IA sin quedar rehén de ninguno.

Una arquitectura conocida para un problema nuevo

La respuesta técnica a este desafío no requiere inventar nada. Las empresas usan desde hace mucho tiempo proxies, gateways de API y plataformas de acceso seguro para gobernar el tráfico de redes y aplicaciones. La propuesta es simplemente extender ese principio a la inteligencia artificial. En lugar de dejar que cada usuario, sistema o agente se conecte directamente con un proveedor, la empresa coloca en el medio una capa de control común, que reúne la identificación de quién hace la solicitud, la clasificación de la información, la inspección de lo que sale y de lo que vuelve, y un registro de auditoría.

En esa capa, cada solicitud se contrasta con la política de la empresa antes de llegar al modelo, y puede ser autorizada, tener pasajes sensibles enmascarados o reemplazados por códigos, ser bloqueada o ser redirigida a un entorno privado. El criterio de decisión es la sensibilidad de la información. El material público puede procesarse con herramientas externas; la información interna, en entornos contratados y aprobados; la información confidencial, como precios, contratos y datos de clientes, solo bajo la inspección de la capa de control; y la información restringida, como fusiones y adquisiciones, nómina y planes estratégicos, únicamente en modelos privados o entornos soberanos.

El modelo se apoya en dos premisas que conviene explicitar. La información debe estar clasificada, algo que rara vez ocurre en la medida deseada, y la regla prudente es tratar como confidencial todo lo que aún no se ha clasificado. Además, la detección automática de datos sensibles es probabilística: precisa para identificadores estructurados, como los números de identificación fiscal y de registro de empresas, y bastante menos confiable en texto libre, sobre todo en idiomas distintos del inglés.

La misma capa tiene un efecto que va más allá de la seguridad. Con el enrutamiento centralizado, el modelo deja de ocupar el centro de la arquitectura y se convierte en un recurso reemplazable, elegido por costo, desempeño, requisitos regulatorios o continuidad operativa. Es la libertad de cambiar de proveedor lo que le da a la soberanía una dimensión concreta.

Cómo construir la capa de control

La pregunta práctica que sigue es si esta capa tiene que construirse. Rara vez desde cero. Sus componentes ya existen en el mercado, en cuatro grandes familias: gateways de IA, que centralizan el acceso a varios proveedores de modelos y se encargan del enrutamiento, las cuotas y el registro; herramientas de prevención de fuga y de clasificación de datos, muchas de las cuales ya extienden su inspección a prompts y respuestas; las plataformas de acceso seguro que la mayoría de las empresas ya usa para el tráfico web, capaces de identificar y gobernar el uso de servicios públicos de IA; y los servicios de protección que ofrecen los propios proveedores de nube. En cada familia hay alternativas de código abierto para empresas con capacidad de ingeniería para operarlas.

Lo que no viene listo es la integración y, sobre todo, la política: el esquema de clasificación, las reglas para cada clase, el vínculo con la identidad corporativa, el manejo de las excepciones. Ese trabajo le corresponde a la empresa, y es ahí donde se estanca la mayoría de los programas.

Una secuencia pragmática tiene tres etapas:

1. Ver. Descubrir qué servicios de IA ya están en uso, quién los usa y con qué tipo de datos. Las herramientas de acceso seguro que la mayoría de las empresas ya tiene suelen mostrarlo en pocas semanas, y el panorama tiende a ser más amplio de lo esperado.

2. Canalizar. Ofrecer una ruta aprobada al menos tan cómoda como las informales, como un asistente corporativo para el personal y un punto de acceso único para los desarrolladores, ambos a través de la capa de control, con registro y enmascaramiento básico desde el primer día. Las personas abandonan las herramientas paralelas cuando el camino oficial es más fácil, no cuando es obligatorio.

3. Refinar. Ajustar las políticas clase por clase, extender el control a los agentes y llevar los sistemas contratados con IA integrada al segundo frente de gobernanza, descrito más adelante.

Hay una elección que merece especial cuidado. La capa de control es el componente que hace reemplazables a los proveedores, por lo que ella misma no debe depender de ninguno. Debe funcionar en un entorno y en una jurisdicción elegidos por la empresa, y ser reemplazable a su vez.

Datos maestros: lo que la capa de control necesita saber

Una política solo es tan buena como el conocimiento que la empresa tiene de sus propios datos. Aquí es donde la gestión de datos maestros (Master Data Management) deja de ser una disciplina de trastienda y se convierte en una condición para gobernar la IA.

Le dice a la capa qué es sensible. Los datos maestros contienen los registros oficiales de clientes, proveedores, productos, contratos y empleados. Entregados a la capa de control como referencia, convierten la detección en texto libre de una inferencia en una coincidencia: el sistema ya no tiene que adivinar que un nombre en un prompt pertenece a un cliente, porque lo sabe. Esto ataca directamente la debilidad de la detección probabilística mencionada antes, sobre todo en portugués y en español.

Mantiene coherente la seudonimización. La misma entidad recibe el mismo código en todos los sistemas y a lo largo del tiempo, de modo que los análisis siguen siendo coherentes y la reversión queda bajo control.

Le da un dueño a la clasificación. Cada dominio de datos maestros tiene un responsable, y esa persona es la indicada para definir su clase de sensibilidad y aprobar excepciones. Sin ese dueño, la clasificación se vuelve una tarea técnica que nadie en el negocio puede validar.

Define la calidad de lo que produce la IA. Buena parte del conocimiento que distingue a una empresa, su lógica de precios, su historial de clientes, sus condiciones contractuales, son datos maestros y de referencia. Cuando la IA trabaja sobre clientes duplicados o listas de precios desactualizadas, no falla de forma visible: produce errores con confianza, a escala.

Las empresas con una gestión de datos maestros madura empiezan este camino con ventaja. Las que no la tienen no deberían esperar un programa completo: basta con empezar por los dominios que concentran a la vez riesgo y valor, normalmente clientes, contratos y precios.

Los límites que conviene conocer de antemano

La credibilidad de un programa de gobernanza depende de que sus límites se entiendan antes de la implementación, y no se descubran después de un incidente. La capa de control es eficaz para todo lo que pasa por ella. Sin embargo, hay cuatro situaciones que requieren un tratamiento propio.

IA integrada en sistemas contratados

Los asistentes integrados en suites de productividad, CRM, plataformas de atención al cliente y herramientas de reuniones envían la información directamente del proveedor al modelo, sin pasar nunca por la capa de control de la empresa. Es ahí donde la adopción suele crecer más rápido, muchas veces activada por una actualización del proveedor y no por una decisión de la empresa. La respuesta está en reconocer un segundo frente de gobernanza, que se ejerce mediante la configuración de los entornos contratados, etiquetas de sensibilidad respetadas por la IA del proveedor y cláusulas sobre retención y uso de datos. Es un frente más contractual que tecnológico, y justamente por eso suele descuidarse.

El alcance real de la tokenización

Reemplazar nombres por códigos es un recurso valioso, cuyo alcance suele sobrestimarse. Cuando "la adquisición de ACME por US$ 48 millones" se convierte en "la adquisición de TARGET_001 por US$ 48 millones", el modelo ya no conoce el nombre de la empresa, pero el monto exacto, combinado con el sector y la fecha, puede bastar para identificarla. Esto es seudonimización, no anonimización, y los datos tratados de esta forma siguen sujetos a las obligaciones de protección de datos personales.

También existe el costo opuesto: cuanto más se oculta, menos puede aportar el modelo. El equilibrio entre confidencialidad y utilidad es una decisión que debe tomarse caso por caso. Cuando el análisis depende de la identidad real, el camino correcto es un modelo privado, no la tokenización.

Agentes que actúan en nombre de la empresa

Los agentes de IA con acceso al correo electrónico, a sistemas internos o a internet también exponen información por lo que hacen: envían mensajes, llaman a direcciones externas, escriben datos en otros sistemas. Incluso pueden ser inducidos a hacerlo por instrucciones ocultas en documentos que ellos mismos leyeron. Inspeccionar el contenido no basta. Las acciones deben estar autorizadas, con límites claros de herramientas y destinos, credenciales con el mínimo privilegio y aprobación humana para las operaciones irreversibles, el mismo principio que rige cualquier poder notarial.

La propia capa de control

Para funcionar, la arquitectura crea dos activos sensibles: los registros de auditoría, que pueden contener solicitudes y respuestas completas, y la tabla que vincula cada código con el nombre real. Juntos concentran exactamente lo que el programa busca proteger y requieren el máximo nivel de protección: registros minimizados por defecto, segregación de funciones en la gestión de claves y un comportamiento definido ante fallas, en el que una caída de la capa detiene el tráfico en lugar de dejarlo pasar.

Por último, hay un límite de naturaleza humana. Si el conocimiento más sensible solo puede tratarse en modelos claramente inferiores, las personas encontrarán formas de eludirlos para entregar lo que se espera de ellas. La opción más segura también tiene que estar a la altura de la tarea.

Medir cuánto vale

Los programas de gobernanza suelen evaluarse por lo que se implementó: políticas emitidas, herramientas adquiridas, modelos integrados. Son medidas de esfuerzo. Lo que la dirección necesita son medidas de resultado, y la capa de control las hace posibles: al ser el punto único por el que pasa el uso gobernado, es también el punto donde ese uso puede medirse por área, caso de uso, modelo y costo.

Tres niveles de indicadores bastan para empezar.

Cobertura. La proporción del uso de IA de la empresa que ocurre bajo alguna forma de gobernanza, ya sea a través de la capa de control o de la gestión de los sistemas contratados. Expone el perímetro de control y, sobre todo, lo que queda fuera de él.

Costo unitario. El costo de una unidad de trabajo hecha con IA, como un contrato revisado, una propuesta redactada o una solicitud de cliente resuelta, incluido el consumo del modelo, una parte de la plataforma y la revisión humana que la tarea todavía requiere. Expresado por unidad, y no como una factura mensual, puede compararse con el costo de la misma tarea sin IA y seguirse en el tiempo.

Valor obtenido. Tiempo ahorrado, ciclos acortados, errores evitados o ingresos habilitados, medidos frente a una línea base previa a la implementación, un caso de uso a la vez. Los casos de uso que no demuestren valor en un plazo acordado deben rediseñarse o darse de baja.

Es en el enrutamiento donde lo técnico y lo económico se encuentran. No toda solicitud necesita el modelo más capaz y más caro. Una capa que ya decide según la sensibilidad también puede decidir según la complejidad, enviando las tareas rutinarias a modelos más económicos y reservando los más caros para donde marcan la diferencia. Guardar en caché las solicitudes repetidas y fijar cuotas por área completan el panorama, y asignar los costos a las unidades de negocio que los generan hace que cada área compare lo que gasta con lo que gana.

El costo de la propia gobernanza debe leerse de la misma manera. Expresado como proporción del gasto en IA, es la prima que se paga por el derecho a usar IA sobre el conocimiento que más importa. Restringir tampoco es gratis: su costo es el valor que nunca se captura, más el uso sin registro que ocurre de todos modos.

Lo que la dirección debe decidir

Son decisiones que la tecnología hace posibles, pero que conciernen al negocio en su conjunto y, por lo tanto, corresponden a la alta dirección en su conjunto.

La dirección debe definir, en primer lugar, qué conocimiento nunca sale del control de la empresa, sea cual sea la ganancia de productividad que se ofrezca a cambio. De ahí se desprende el apetito de riesgo para cada clase de información, que no es más que una decisión sobre cuánta exposición es aceptable a cambio de cuánta capacidad. Los agentes de IA requieren especial atención: alguien debe responder por lo que hacen en nombre de la empresa, y esa cuestión tiene que estar resuelta antes de que el primero entre en producción. La cobertura merece una meta y un plazo, con el mismo seguimiento que cualquier otro indicador de riesgo. Por último, cada caso de uso de IA debe tener un dueño en el negocio y una meta económica, con el costo esperado por unidad de trabajo y el valor que debe generar, revisados con la misma regularidad.

Estas decisiones no frenan la adopción de la inteligencia artificial. Son las que permiten llevarla a escala con la tranquilidad de saber qué está expuesto, ante quién y en qué términos.

Ninguna dirección aceptaría que la caja de la empresa se moviera sin límites de aprobación y sin registro. El conocimiento de la empresa, que vale más que su caja, todavía se mueve así.