Suscribite
    ¡Hola!
    Cuenta
Forbes Argentina
Cynthia Martínez, de EY Argentina
BrandVoice
Cynthia Martínez, de EY Argentina
Foto: Alejandro Baccarat
BrandVoice - Paid Program

De la consulta a la ejecución: el cambio en el control de la inteligencia artificial – Trusted Intelligence

Rocío Bravo

Share

La aceleración de los sistemas de IA desplaza la gestión de riesgos desde la fase de diseño hacia la operación en tiempo real. Cynthia Martínez, de EY Argentina, analiza la transición hacia el control en código, la trazabilidad, explicabilidad y evidencia, exigida por regulaciones internacionales, y el impacto directo en sectores como energía, minería y servicios financieros.

17 Noviembre de 2026 08.46

El avance de la inteligencia artificial en el entorno corporativo atraviesa una transición: dejó de responder preguntas y empezó a ejecutar decisiones. Esta nueva capacidad de acción en tiempo real desplaza los riesgos desde la etapa inicial de diseño hacia la fase de operación en vivo. 

En sectores como servicios financieros, salud, comercio, energía y minería, la velocidad de procesamiento supera la capacidad de supervisión de los equipos humanos. Frente a este panorama, las metodologías de revisión previa resultan insuficientes para garantizar la seguridad, la trazabilidad normativa y la continuidad operativa. ¿Por qué el modelo de control que funcionó hasta ayer ya no alcanza?

La gobernanza de la inteligencia artificial comenzó como un proceso de evaluación en la fase de diseño donde las áreas de control analizaban los modelos, documentaban sus parámetros y autorizaban la salida a producción. Este procedimiento mantenía validez cuando los algoritmos se limitaban a responder consultas. La evolución dio paso a sistemas que razonan, deciden y ejecutan acciones de manera autónoma.

"Hoy por hoy el concepto necesita ser mucho más integrado porque a los modelos no los podés monitorear únicamente haciendo una evaluación en el momento del diseño previo a poner un sistema en producción", advierte Cynthia Martínez, Partner y Consulting Services Leader de EY Argentina, y Deputy Risk Consulting de EY Latin America. "Eso es insuficiente porque hoy los sistemas analizan, toman decisiones, datos de terceros y propios y ejecutan herramientas".

Según la ejecutiva, hay tres factores que explican la insuficiencia de los controles previos: agentes autónomos que encadenan decisiones mediante herramientas de terceros; recorridos dinámicos que varían ante entradas similares; y escalas de operación por segundo insuperables mediante revisiones manuales. En este sentido, Martínez enfatiza la brecha entre la velocidad informática y la documentación humana. Desde su mirada, si la IA opera a velocidad de máquina, la gobernanza debe automatizarse y actuar con la misma inmediatez. "Un control que depende de una revisión posterior no gobierna el riesgo en tiempo real; apenas lo documenta cuando ya ocurrió", sostiene la especialista.

En la Argentina ya existe un entramado normativo aplicable. Se trata de la Comunicación A 7724 del BCRA, que establece requisitos de gestión de riesgos tecnológicos e incluye disposiciones específicas sobre inteligencia artificial y aprendizaje automático. "Esa normativa ya contempla inteligencia artificial en una parte, pero no es abarcativo de todo el panorama de negocios", explica la ejecutiva. "Sin embargo, en una corporación que tenga unidades de negocio, opere y comercialice con otros mercados, por ejemplo, en Europa o Estados Unidos, son aplicables las normas que otros países ya tienen sobre esto".

El escenario internacional sí muestra la consolidación de reglas. En Estados Unidos, por ejemplo, aplican decretos, leyes estatales y el estándar NIST AI RMF; la Unión Europea promulgó la Ley de IA con exigencias para proveedores y usuarios; el Reino Unido implementa un registro de transparencia algorítmica; China emitió ocho instrumentos de gobernanza; y el G7 fijó códigos de conducta. Estas regulaciones, comenta Martínez, convergen en trazabilidad, explicabilidad y evidencia técnica.

Supervisión continua y gobernanza como código 

La supervisión en ejecución requiere mecanismos automatizados en el ciclo de vida del software. El concepto de gobernanza como código implica la inserción de salvaguardas e instrucciones de control en el mismo flujo de ejecución de las aplicaciones. "Hablamos de un governance as code como parte del proceso. Es decir, así como tenés un sistema que maneja y que te ejecuta algo, que te da un resultado, que te procesa una transacción, se necesita un control que esté en el mismo momento y de la misma forma, como código ejecutado en línea", explica.

Es decir, la gobernanza de IA debe ser parte de la gestión integral del ciclo de vida de la IA, de lo contrario, no podrá escalar. De esta forma, estamos dejando atrás las soluciones de IA responsable (RAI) aisladas para avanzar hacia soluciones integradas de gobernanza de IA, incorporando AI Value Blueprint, Integrated Trust y otras propuestas, con el objetivo de integrar la confianza en todo lo que hacemos.

Respecto al marco normativo, algunos mercados adoptan regulaciones específicas y otros combinan principios, estándares y normas sectoriales. Pese a esas diferencias, todos convergen en tres reglas: trazabilidad, explicabilidad y evidencia.

"Trazabilidad implica la posibilidad de explicar qué hizo el sistema, no al final o no al principio, durante y por qué lo hizo, en qué contexto y bajo qué controles", detalla la ejecutiva. "La explicabilidad tiene que ver con reconstruir qué definió o qué hizo ese sistema y por qué lo hizo. Y la evidencia tiene que ver con dejar documentado con evidencia funcional o técnica todo ese camino".

De esta forma, EY propone un enfoque de cinco capas para Gobernar la IA en tiempo real: evaluación previa; evaluación en línea; la incorporación de guardrails (reglas / controles concretos) sobre permisos de acceso; explicabilidad y gestión continua de vulnerabilidades.

En el diseño y la construcción, la evaluación previa automatiza y estandariza el análisis de riesgo antes de la salida a producción, con un resultado go/no-go trazable y auditable. En la operación, la evaluación en línea puede frenar decisiones problemáticas antes de que lleguen al cliente; los guardrails detectan ataques, fuga de datos, alucinaciones o sesgo; y la explicabilidad permite reconstruir cómo actuó el sistema.

Como capa transversal, la gestión continua de vulnerabilidades identifica, prioriza y convierte los hallazgos en acciones con responsable y plazo. Sin ese paso, la gobernanza produce alertas, pero no correcciones.

El impacto en sectores clave, tecnología de operaciones y gestión de riesgos

El mercado de inteligencia artificial en América Latina alcanzará US$ 12.700 millones en 2025, con un crecimiento anual del 28%, según datos de Linux Foundation, Economic and Workforce Impacts of AI in Latin America. La tecnología se expande en servicios financieros, salud y comercio. En banca, aplica a scoring crediticio, fraude e incorporación de clientes. En salud, incide en diagnósticos y triaje. En comercio, los motores de precios requieren certificaciones para evitar sesgos.

La transformación también avanza hacia energía, oil & gas, y minería al integrarse en tecnologías de la operación (OT) e infraestructura física. Las métricas muestran el volumen de inversión y ganancias de eficiencia. Es uno de los sectores donde la IA pasa más rápido de la oficina al campo, impulsada por inversiones crecientes en automatización, optimización de activos y mantenimiento predictivo.

En oil & gas y minería, estas aplicaciones permiten anticipar fallas, mejorar la eficiencia operativa, optimizar la producción y fortalecer el monitoreo ambiental y de seguridad. Aquí, la IA no se limita a recomendar: interviene sobre la operación. Puede decidir la detención de un equipo mediante mantenimiento predictivo, optimizar una perforación, ajustar un proceso o monitorear variables ambientales y de seguridad.

Si ponemos la mirada en Argentina, el país es un caso paradigmático. Vaca Muerta ya representa aproximadamente dos tercios de la producción argentina de petróleo y gas hacia el cierre de 2025, con inversiones muy significativas en hidrocarburos. Lo mismo ocurre en el sector de la minería en proyectos de litio y cobre.

En este marco, el desafío ya no se limita a la geología o al financiamiento: incluye permisos, gestiones sobre el agua, energía y licencia social, por lo que se vuelven ámbitos en los que una decisión algorítmica mal gobernada puede generar grandes distorsiones y erosionar la confianza con gran rapidez. 

En línea con esto, Martínez expone: "La gran diferencia es que ya no están los sistemas o los modelos de inteligencia artificial orientados a IT, sino a la operación y la producción. Y cuando la inteligencia artificial supone que puede intervenir en un activo, en la seguridad de las personas, en el medio ambiente, ya no es un tema de control y compliance, se convierte en una condición de la licencia para operar".

La transición de la inteligencia artificial hacia la ejecución autónoma de transacciones redefine la gestión del riesgo corporativo. Integrar la gobernanza como código y la supervisión en tiempo de ejecución trasciende el mero cumplimiento normativo para convertirse en una capacidad estratégica y en la condición técnica que garantiza la trazabilidad, la seguridad operacional y la confianza en la era de los procesos algorítmicos. En este sentido, concluye la ejecutiva, "la pregunta ya no es si la IA fue aprobada, sino si la organización puede demostrar qué está haciendo, por qué y bajo qué controles".