La nueva arquitectura organizacional para la gobernanza de datos y la IA 

Por Carlos Buitrago, Managing Partner de McKinsey & Company en Ecuador.

Las estructuras corporativas se están transformando para incorporar la gobernanza de datos y la ética en la IA. En organizaciones más avanzadas se observa una combinación entre roles centrales y modelos federados, donde cada unidad de negocio aplica directrices según su realidad operativa. Dependiendo del tipo de operación se conforman equipos ágiles con especialistas de distintas áreas, mientras que los chapter leads —figuras que agrupan a profesionales de una misma disciplina, como datos, arquitectura, experiencia de usuario, seguridad o desarrollo— coordinan los aspectos técnicos y mantienen alineados los estándares y buenas prácticas. En paralelo avanzan procesos formales para diseñar, supervisar e informar sobre iniciativas de IA, junto con una participación del directorio en la definición de principios éticos. 

Los sectores con mayor avance en IA responsable son aquellos con marcos regulatorios estrictos o impactos sociales directos. Banca y finanzas consolidan estructuras maduras impulsadas por la regulación; salud evoluciona por la naturaleza crítica de sus servicios; manufactura y retail integran trazabilidad en sus cadenas productivas. La presión reputacional y la competencia internacional aceleran estas buenas prácticas. En Ecuador y en la región latinoamericana estos modelos empiezan a adoptarse, aunque persisten desafíos como brechas de talento digital especializado, marcos regulatorios aún incipientes y niveles de inversión tecnológica inferiores frente a competidores globales, según McKinsey Latinoamérica. 

En este escenario surgen roles especializados que reflejan la transición hacia modelos de gobernanza más robustos. Aparecen perfiles como el Chief Data Officer, el Chief AI Officer y los comités de ética digital, junto con una base operativa compuesta por científicos e ingenieros de datos, diseñadores de experiencia de usuario y arquitectos de soluciones. De manera transversal, los squad leaders guían a equipos ágiles orientados a resultados; los chapter leaders sostienen la coherencia metodológica; y los tribe leaders integran varias células técnicas bajo una visión más estratégica. 

Uno de los temas que mayor atención recibe es cómo se distribuye la responsabilidad de la IA entre negocio, tecnología y cumplimiento. McKinsey identifica una tendencia hacia modelos híbridos donde la responsabilidad se comparte, evitando que recaiga exclusivamente en tecnología o legal. Este esquema impulsa instancias formales para gestionar riesgos, evaluar impactos y asegurar que las decisiones automatizadas tengan supervisión desde múltiples perspectivas. 

También gana relevancia la discusión sobre qué prácticas permiten generar confianza interna y externa en el uso de la IA. Entre las recomendaciones de McKinsey destacan la transparencia sobre los criterios con los que opera cada sistema automatizado, la explicabilidad en modelos complejos, los reportes periódicos sobre impactos y controles, y la participación de terceros como auditores independientes o representantes sociales en evaluaciones clave. 

Otro aspecto crítico es entender los aprendizajes de empresas que enfrentaron fallos éticos o reputacionales por decisiones basadas en datos. Los casos analizados muestran que la falta de supervisión transversal incrementa riesgos, que subestimar sesgos puede derivar en discriminación inadvertida y que la ausencia de revisión ética rigurosa puede generar sanciones y afectar la reputación. McKinsey enfatiza la necesidad de impulsar una cultura interna de alerta temprana (“speak-up culture”) para abordar anomalías de manera oportuna. 

Frente a las tendencias emergentes que podrían redefinir la responsabilidad empresarial, destacan los sistemas capaces de tomar decisiones multisistema, que requerirán nuevos protocolos éticos y esquemas de responsabilidad compartida; el uso ampliado de herramientas fairness by design y de interfaces explicativas avanzadas; y la influencia de regulaciones transnacionales como el EU AI Act, que comienzan a establecer estándares globales incluso en países sin marcos equivalentes.