La gobernanza de datos es una tarea desalentadora. También es la razón por la que la mayoría de las técnicas de IA se estancan antes de escalar.
Los costos están aumentando para modelos, plataformas y casos de uso. Pero las disciplinas que hacen que esas inversiones funcionen (calidad de datos, propiedad y gobernanza) a menudo reciben mucha menos atención.
Parte del desafío es que la gobernanza de datos no es “divertida” ni “atractiva”. Carece del entusiasmo y del atractivo de ganar rápido de las nuevas tecnologías, por lo que carece constantemente.
Sin embargo, a medida que las organizaciones amplían sus ambiciones en materia de IA, la gobernanza es cada vez más el factor que determina si estos esfuerzos tendrán éxito o se estancarán.
Responsable de Crecimiento de Ingeniería en Optima Partners.
Los desequilibrios en la atención están empezando a mostrarse. Si bien la adopción de la IA continúa creciendo, muchas organizaciones todavía luchan por pasar de la etapa piloto a implementaciones a escala empresarial. La brecha entre la ambición y la implementación se está ampliando, y la mala gobernanza de los datos suele ser la causa de ello.
No se trata de conciencia. La mayoría de los líderes empresariales reconocen que la gobernanza es importante. El desafío es que la gobernanza exige decisiones estructurales, alineación cultural y disciplina sostenible: la parte difícil del trabajo. Y, a diferencia de una nueva plataforma o herramienta, su valor suele ser plenamente evidente cuando falta.
Cuando no hay gobernanza, el problema no es pequeño
Una mala administración rara vez fracasa estrepitosamente al principio. Los problemas se acumulan.
Las primeras iniciativas de IA a menudo priorizan la entrega, donde los paneles, modelos y aplicaciones tienen prioridad sobre la gobernanza. Se forman silos, las definiciones de datos divergen y los controles de acceso se vuelven inconsistentes. Un patrón común: dos equipos (uno en marketing y otro en ciencia de datos) entrenan modelos separados con diferentes definiciones de la misma métrica.
Ambas definiciones parecen correctas aisladamente. En producción, las predicciones entran en conflicto, ninguno de los equipos puede explicar por qué y las investigaciones llevan semanas más que construir un modelo. Los problemas de calidad se reparan en lugar de solucionarse, y los nuevos proyectos comienzan a depender de estimaciones inestables.
La confianza en los datos disminuye a medida que la complejidad aumenta con el tiempo.
Los diccionarios de datos y los marcos de permisos no son gastos administrativos: son los que hacen posible la IA escalable. Crearlos exige inversión antes que retornos visibles, pero posponer ese esfuerzo es demasiado costoso.
Si no se controlan, las brechas de gobernanza eventualmente se vuelven difíciles, lo que lleva a retrasos en los proyectos, fallas en el cumplimiento y decisiones basadas en datos poco confiables. En ese punto, las organizaciones se ven obligadas a realizar revisiones reactivas (o incluso reconstrucciones completas) que son mucho más costosas y disruptivas que abordar la gobernanza desde cero.
La gobernanza no es sólo cumplimiento: permite la innovación
Los reguladores están otorgando cada vez más importancia a la responsabilidad sobre cómo se utilizan los datos. La Oficina del Comisionado de Información (ICO) del Reino Unido ha dejado claro que las organizaciones deben poder demostrar control sobre el uso de datos, particularmente a medida que los sistemas de IA se vuelven más frecuentes. La nueva Estrategia Nacional de IA de Escocia también destaca que las organizaciones deben seguir las mejores prácticas de gobernanza responsable de la IA consistentes con los principios de la OCDE.
Esto reforzó la idea de que la gobernanza es principalmente un ejercicio de cumplimiento, algo importante pero no necesariamente priorizado en la etapa de prototipo. La gobernanza eficaz es mucho más que eso: determina cómo fluyen los datos a través de una organización, cómo se toman las decisiones y con qué confianza pueden operar los equipos. Define la responsabilidad y establece estándares necesarios para mantener la coherencia a escala.
En ese sentido, la gobernanza es una elección de diseño, y las empresas deben tomar la decisión correcta para escalar de manera efectiva sus ambiciones de innovación.
Defina la propiedad antes de definir el modelo
La gobernanza no es una solución única para todos, ni es un problema puramente técnico que deba resolverse únicamente mediante herramientas o plataformas. De hecho, el desafío inicial más difícil suele ser el de las personas y la rendición de cuentas. Antes de diseñar un modelo de gobernanza, las organizaciones deben determinar quién y cómo. ¿A quién pertenecen los datos? ¿Quién es responsable de su calidad y quién decide cómo se debe utilizar?
En muchas organizaciones, estas responsabilidades no están claras. La gestión es compartida y la propiedad se asume en lugar de definirse (a menudo incorrectamente). Pero sólo cuando se respondan estas preguntas –en la práctica y en el papel– podrán las empresas centrar su atención en desarrollar un modelo de gobernanza que se ajuste a su estructura.
Algunos adoptan un enfoque centralizado para esto, con el control en una sola función. Esto puede proporcionar coherencia y claridad, pero el modelo puede tener dificultades para escalar en organizaciones complejas con necesidades diversas.
Otros adoptan un modelo federado que combina estándares centrales con propiedad local. Puede ser más flexible y escalable, pero sólo si la empresa está comprometida con esos valores compartidos y ha definido roles y responsabilidades claras. Sin ellos, los modelos federados corren el riesgo de aumentar la fragmentación de los datos.
¿Qué es la alineación? Los modelos de gobernanza deben alinearse con la forma en que los equipos usan realmente los datos y la IA, no con la forma en que se supone que funcionan.
Una prueba práctica: pregunte a tres equipos diferentes cómo definen una métrica empresarial clave: ingresos, usuarios activos o pérdida de clientes. Si la respuesta es diferente, los problemas de gobernanza ya existen. La cuestión del modelo operativo no es cómo prevenir esta desintegración en el futuro; Los que tienen el poder de solucionarlo ahora.
La regla no se muestra en una demostración.
La gobernanza rara vez es la parte más visible de una estrategia de IA. Es el trabajo estructural y detallado lo que a menudo se pasa por alto, pero precisamente por eso es importante.
Para los líderes empresariales, el desafío es ir más allá del reconocimiento de su importancia y comenzar a tomar decisiones tempranas y deliberadas sobre cómo implementarlo. Esto significa definir la propiedad de los datos, alinear los modelos operativos e invertir en capacidades que respalden el éxito a largo plazo.
Las opciones tecnológicas son reversibles. La propiedad de los datos complica la decisión. El modelo de gobernanza que diseñe (o deje de lado) en los próximos doce meses determinará lo que su estrategia de IA realmente puede ofrecer en tres años.
Hemos presentado el mejor software para pequeñas empresas..
Este artículo fue producido en parte Perspectiva profesional de TechRadarNuestro canal para mostrar las mejores y más brillantes mentes de la industria tecnológica actual.
Las opiniones expresadas aquí son las del autor y no necesariamente las de TechRadarPro o Future plc. Si está interesado en contribuir, obtenga más información aquí:
