Líderes de opinión

La gobernanza de la IA empresarial empieza en la infraestructura de bases de datos

Phillip Merrick
Añade Unite.AI a tus fuentes preferidas en Google
Puntos clave% de los pilotos de IA empresarial fracasan porque la gobernanza no está integrada en…
Ver más
  • % de los pilotos de IA empresarial fracasan porque la gobernanza no está integrada en la capa de datos.
  • Los agentes autónomos exigen controles en la capa de datos, ya que las escrituras no gobernadas pueden propagarse en cascada por los sistemas.
  • La gobernanza centrada primero en la infraestructura a nivel de base de datos cierra la brecha entre el piloto y la producción.

La experimentación con IA en las empresas nunca había avanzado tan rápido, pero el paso a producción sigue siendo lento. Los equipos ponen en marcha proyectos piloto, prueban modelos y muestran resultados prometedores en semanas, a veces en días. Sin embargo, cuando llega el momento de desplegar esos sistemas a gran escala, el progreso suele estancarse. Surgen dudas sobre la seguridad, se endurecen los requisitos de cumplimiento y se multiplican las preguntas sobre gobernanza. 

El informe del MIT The GenAI Divide: State of AI in Business 2025 concluyó que el 95% de los proyectos piloto de IA empresariales no logra un impacto medible en el negocio. Solo el 5% llega a producción y genera un rendimiento financiero real. La investigación abarcó más de 300 despliegues de IA y 150 entrevistas con directivos y concluyó que la principal barrera no es la capacidad del modelo, sino una integración deficiente con los sistemas empresariales. La mayoría de las organizaciones lo considera una cuestión de políticas que debe resolver la alta dirección. Yo diría que la gobernanza de la IA es un reto de sistemas y que empieza en la capa de datos.

Por qué los proyectos de IA se estancan en la fase piloto

Muchas iniciativas de IA tropiezan porque los entornos utilizados para crear sus prototipos no encajan, desde la base, con las condiciones reales de un despliegue empresarial. Se incentiva a los desarrolladores a avanzar deprisa, usando herramientas flexibles, conjuntos de datos con una gobernanza poco estricta e infraestructura de autoservicio para demostrar valor cuanto antes. Esto es ideal para experimentar, pero no se traslada directamente a entornos de producción que exigen capacidad de auditoría, controles de acceso estrictos, cumplimiento normativo y resiliencia operativa.

Por eso, la gobernanza suele introducirse solo después de que una prueba de concepto haya tenido éxito. Para entonces, la capa que debería facilitar el despliegue se convierte en una restricción. Los equipos tienen que adaptar a posteriori los modelos de seguridad, rediseñar los flujos de datos y revisar los supuestos de cumplimiento que deberían haber sido la base desde el principio.

Así se amplía la brecha entre lo que los sistemas de IA pueden demostrar en entornos controlados y lo que las empresas pueden desplegar en producción de forma segura y fiable.

Al mismo tiempo, la arquitectura tecnológica moderna de la IA ha evolucionado para dar prioridad a la velocidad y la accesibilidad, a menudo en detrimento del control. Las plataformas cómodas para los desarrolladores facilitan los proyectos piloto, pero pueden ocultar dónde están los datos, cómo se utilizan y quién tiene acceso a ellos. 

Esto genera riesgos operativos y normativos reales: exposición involuntaria de datos, límites poco claros entre los datos de distintos entornos y una capacidad insuficiente para auditar el comportamiento del sistema. Estos problemas afloran directamente en las revisiones de preparación para producción y en las evaluaciones de cumplimiento. Las encuestas a empresas muestran de forma constante que los problemas de calidad y gobernanza de los datos figuran entre las principales causas del fracaso de los proyectos de IA y se citan en el 60–70% de los casos. La dependencia creciente de infraestructura de terceros y servicios gestionados de bases de datos agrava el problema, pues puede fragmentar aún más la propiedad de los datos y complicar la adecuación a la normativa. En muchos casos, las organizaciones dan por hecho que las plataformas se ocupan de la gobernanza, cuando en realidad la responsabilidad se reparte entre varias capas de la arquitectura tecnológica.

El resultado es paradójico: las herramientas que aceleran la experimentación con IA suelen ser las mismas que crean obstáculos al pasar a producción.

La base de datos como verdadera capa de gobernanza

Para resolver este desajuste hay que reconsiderar dónde se ejerce realmente la gobernanza.

La gobernanza suele plantearse como una función de definición de políticas, a cargo de los equipos jurídicos, de cumplimiento o de la alta dirección, cuya aplicación se asegura mediante documentación y procesos de revisión. Estos mecanismos son esenciales, pero no bastan por sí solos. La gobernanza solo adquiere sentido cuando su cumplimiento se impone en el propio sistema.

En la práctica, esto ocurre donde se almacenan, consultan y transforman los datos. Por eso, la base de datos y la infraestructura de datos que la rodea constituyen la capa de gobernanza más importante de la arquitectura tecnológica de la IA.

Las bases de datos modernas no son repositorios pasivos. Definen permisos de acceso, imponen requisitos sobre la ubicación geográfica de los datos, gestionan el cifrado y los controles de claves y generan los registros de auditoría necesarios para el cumplimiento y la supervisión de la seguridad. Cada vez más, también actúan como el punto de control a través del cual los sistemas de IA interactúan con los datos empresariales.

Esto importa porque los sistemas de IA heredan el estado de gobernanza de la infraestructura de datos de la que dependen. Si la capa de base de datos subyacente carece de estructura, controles o visibilidad, esas debilidades se transmiten directamente a los sistemas de IA construidos sobre ella. Ninguna política posterior en la capa de aplicación puede compensar por completo una base de datos sin gobernanza.

Esto exige un cambio arquitectónico más amplio: la gobernanza debe incorporarse a la infraestructura desde el principio, en vez de añadirse después del despliegue. Un enfoque de IA que parte de la infraestructura implica diseñar sistemas en los que la gobernanza sea una propiedad inherente, no una restricción externa. El acceso a los datos pasa por interfaces controladas. Las consultas y las interacciones entre sistemas se registran por defecto. Las reglas de cumplimiento, como las restricciones de acceso, las políticas de conservación y los requisitos de ubicación geográfica, se imponen en el sistema, en lugar de depender de supervisión manual o validaciones posteriores.

Esto requiere soluciones arquitectónicas como capas seguras de mediación de consultas, controles de acceso basados en políticas y observabilidad centralizada en entornos de datos distribuidos. Estos mecanismos garantizan la aplicación continua de la gobernanza, en vez de su comprobación periódica.

La diferencia entre gobernanza proactiva y reactiva es fundamental. Los enfoques reactivos intentan corregir los problemas después de construir y desplegar los sistemas. Los proactivos impiden que aparezcan, integrando controles directamente en la arquitectura del sistema.

En los entornos de IA, esta distinción determina si los sistemas pueden crecer a escala o se estancan.

Cuando entran en juego los agentes

Los agentes autónomos cambian las condiciones de la gobernanza de formas para las que la mayoría de las organizaciones no está preparada. Un agente no se limita a leer datos: los escribe, activa acciones en distintos sistemas y hace ambas cosas sin intervención humana.

Esto cambia por completo la naturaleza de los fallos. Una consulta sin una gobernanza adecuada devuelve una respuesta errónea. Un agente sin una gobernanza adecuada actúa basándose en ella: actualiza registros, activa flujos de trabajo posteriores y propaga decisiones entre sistemas antes de que alguien advierta que algo ha salido mal.

Por eso, las salvaguardas no pueden quedarse solo en la capa de aplicación. Un agente que opera en varios sistemas siempre encontrará el camino de menor resistencia. Los controles deben imponerse en la capa de datos, donde cada lectura y escritura pasa por mediación y queda registrada, independientemente de lo que la haya activado.

Gartner prevé que más del 40% de los proyectos de IA basada en agentes se retrasará o se cancelará por problemas de gobernanza y fiabilidad. Esa cifra me parece baja, porque presupone que las organizaciones identificarán correctamente la gobernanza como causa, en vez de atribuir los fallos al modelo o a las herramientas. La causa raíz suele permanecer oculta hasta generar un coste elevado.

De la experimentación a una IA lista para producción

Las organizaciones que llevan con éxito la IA de la experimentación a producción suelen compartir un rasgo: alinean desde el principio sus entornos de desarrollo y producción. 

En vez de dejar que los sistemas experimentales se alejen de las restricciones de producción, diseñan ambos entornos con principios coherentes de gobernanza, seguridad y acceso a los datos. Así reducen los obstáculos más adelante en el ciclo de vida, cuando los modelos pasan de prototipos a cargas de trabajo de producción.

Esta alineación es cada vez más importante porque la mayoría de las empresas todavía carece de infraestructura de IA madura y apta para producción. Persisten carencias en el acceso seguro a los datos, la monitorización, la observabilidad y la aplicación de las reglas de cumplimiento. No son problemas aislados, sino retos estructurales que aparecen cuando la IA supera los entornos piloto y se incorpora a flujos de trabajo críticos para la actividad empresarial.

Otro desajuste importante entre la creación de prototipos y la producción surge cuando las aplicaciones y bases de datos de producción deben alojarse en las instalaciones de la empresa o en cuentas de nube sometidas a una gestión estricta, pero los prototipos se han desarrollado en plataformas de bases de datos en la nube.

En las organizaciones maduras, las cargas de trabajo de IA se tratan con el mismo rigor que los demás sistemas sujetos a regulación. Esto significa registros coherentes, controles de acceso estrictos, monitorización continua y estructuras claras de rendición de cuentas entre equipos. También exige una coordinación más estrecha entre ingeniería de datos, ingeniería de plataformas, seguridad y cumplimiento desde el inicio, en lugar de incorporarla a posteriori.

Los beneficios de este enfoque van más allá de reducir los riesgos. Las organizaciones también obtienen ciclos de despliegue más rápidos, menos fallos en producción y mayor confianza interna en los sistemas de IA. En este contexto, ampliar el uso de la IA depende menos de la innovación de los modelos y más de la madurez de la infraestructura.

La gobernanza es una necesidad arquitectónica

En definitiva, el debate sobre la gobernanza de la IA debe ir más allá de las políticas y llegar a la arquitectura. 

La gobernanza suele tratarse como una función de supervisión, pero en la práctica se impone mediante los sistemas que definen cómo se accede a los datos y cómo se utilizan. La base de datos no es solo una capa de almacenamiento: es el punto de control de la seguridad, el cumplimiento y la integridad operativa de toda la arquitectura tecnológica de la IA.

A medida que la IA se integra más profundamente en los flujos de trabajo empresariales, la importancia de este punto de control crece de forma notable. Cada interacción entre un modelo y los datos empresariales se convierte en un evento sujeto a gobernanza, tanto si las organizaciones lo diseñan explícitamente así como si no.

Al priorizar una gobernanza que parte de la infraestructura, empezando por la capa de base de datos, las empresas pueden cerrar la brecha entre los proyectos piloto y la producción. Así transforman la IA de experimentos aislados en una capacidad duradera y escalable, integrada en toda la organización.

Phillip Merrick es Co-Fundador y CPO en pgEdge. Emprendedor, tecnólogo y ejecutivo experimentado con raíces profundas en la infraestructura de datos y las plataformas en la nube que impulsan los sistemas de inteligencia artificial de hoy. Co-fundador y/o CEO de webMethods, EDB, SparkPost, Fugue y pgEdge; dirigió empresas desde su creación hasta la oferta pública inicial y tres salidas en el rango de 9-10 cifras.