Los datos ya no son un activo por defecto: repensar la responsabilidad en la era de la IA

«Los datos son el nuevo petróleo» impulsó una década de recolectarlo y guardarlo todo. Ese instinto hoy es activamente peligroso. · Juan Vegarra

Durante una década, «los datos son el nuevo petróleo» fue la metáfora preferida de las salas de directorio, y empujó un instinto real y en gran medida razonable de recolectar y retener tantos datos como una organización pudiera manejar. Ese instinto hoy es activamente peligroso de maneras que casi ninguna estrategia de datos ha alcanzado, y el cambio se movió más rápido en los últimos dieciocho meses de lo que casi ningún ejecutivo ha registrado. Cada conjunto de datos que una organización mantiene es simultáneamente un activo potencial y una responsabilidad permanente, y la era de la IA movió el lado de la responsabilidad de ese libro contable de forma sustancial, en formas que ahora aparecen en tribunales y no solo en evaluaciones teóricas de riesgo.

El cambio, vuelto concreto por los litigios recientes

El cambio es directo una vez que lo ves expuesto. Los datos que descansan inertes en un almacén son una responsabilidad sobre todo en caso de una brecha: riesgo real, pero acotado y asegurable, y con procesos que casi toda organización ya tiene. Los datos que alimentan activamente sistemas de IA son una responsabilidad de forma continua, porque cada modelo entrenado o afinado sobre ellos hereda sus problemas de calidad, su sesgo, sus vacíos de procedencia y su ambigüedad de licencia, y después expresa esos problemas a la velocidad y escala de la decisión automatizada en lugar de a la velocidad del error humano individual.

Esto dejó de ser un riesgo hipotético. En febrero de 2025, el caso Thomson Reuters contra Ross Intelligence produjo el primer fallo final sobre derechos de autor en datos de entrenamiento de IA, con el tribunal determinando que el uso que Ross Intelligence hizo de los resúmenes de Westlaw para entrenar su IA legal no fue uso legítimo, enfocándose específicamente en que el producto de Ross competía directamente con el servicio de investigación de Westlaw.^[1] De forma crítica, ese fallo estableció que usar una herramienta de IA entrenada con datos infractores puede crear responsabilidad legal río abajo para la empresa que la despliega, no solo para la que la construyó. En mayo de 2026, cinco editoriales importantes y un novelista reconocido presentaron una propuesta de demanda colectiva por derechos de autor contra una gran empresa tecnológica por datos de entrenamiento de IA, buscando una medida cautelar que exigiera la destrucción de las copias presuntamente infractoras junto con daños monetarios.^[1] Por separado, Anthropic acordó pagar mil quinientos millones de dólares para resolver reclamos de autores cuyos libros fueron usados, sin permiso, para entrenar sus modelos.^[1] Y un análisis de contratos encontró que el noventa y dos por ciento de los acuerdos con proveedores de IA reclama derechos de uso de datos que exceden lo estrictamente necesario para prestar el servicio contratado, frente a un promedio del mercado de software de sesenta y tres por ciento.^[1] Un conjunto de datos sesgado o mal obtenido descansando en silencio en una hoja de cálculo siempre fue un problema acotado. El mismo conjunto alimentando un sistema de decisión automatizado a escala, o licenciado hacia el pipeline de entrenamiento de un proveedor sin que nadie leyera el contrato con suficiente atención, es un orden de exposición fundamentalmente distinto: legal, reputacional y cada vez más regulatorio, todo a la vez.

Una pregunta que casi ninguna estrategia de datos ha hecho

Esto significa que la pregunta pre-IA de la estrategia de datos — cómo recolectamos y retenemos más — tiene que reemplazarse por una bastante más difícil: cuáles de nuestros conjuntos de datos son activos genuinos bajo este nuevo uso, y cuáles se convirtieron en silencio en responsabilidades que nunca se volvieron a evaluar para él. Casi ninguna organización ha corrido este ejercicio, porque los datos en cuestión se acumularon bajo una política de retención escrita para un modelo de amenaza completamente distinto, años antes de que alguien planeara alimentarlos a un sistema de decisión o licenciarlos al pipeline de entrenamiento de un proveedor.

Tres cambios prácticos

Tres cambios prácticos se siguen de tomar esto en serio, y ninguno es exótico, lo cual es parte de por qué las organizaciones que los han hecho se están adelantando en silencio y no de forma dramática. Primero, la procedencia de los datos tiene que volverse un artefacto de gobierno de primera clase, no un pendiente de ingeniería enterrado en una wiki técnica que nadie fuera del equipo lee. La organización debe poder responder, para cualquier conjunto de datos que hoy alimente un modelo, de dónde vino, para qué está licenciado y quién responde por su calidad, a solicitud y por escrito, idealmente antes de que un regulador o el abogado de un demandante haga la misma pregunta en un entorno menos amable.

Segundo, las políticas de retención tienen que reevaluarse específicamente para casos de uso de IA, porque «quizás lo necesitemos algún día» es una justificación bastante más débil cuando «algún día» ahora significa plausiblemente «alimentando un sistema de decisión automatizado que afecta a personas reales» en lugar de «respondiendo una consulta de negocio hipotética». La vara para una retención justificada subió en silencio, aunque casi ninguna política se haya reescrito para reflejarlo.

Tercero, la inversión en calidad de datos que solía tratarse como opcional — el trabajo genuinamente sin glamour de limpiar, etiquetar y documentar — se volvió casi un prerrequisito y no un extra deseable. Los sistemas de IA no toleran datos desordenados de la forma en que los analistas humanos aprendieron históricamente a compensarlos con juicio y contexto. Codifican el desorden directamente en el modelo y después lo escalan, exactamente a la velocidad y el volumen que convierten un problema interno y callado de calidad de datos en uno público y legalmente expuesto.

Un paralelo histórico útil

Este patrón tiene un precedente claro en cómo evolucionó el gobierno de datos financieros después de Sarbanes-Oxley a principios de los dos mil. Antes de ese cambio regulatorio, la calidad de los datos financieros se trataba en gran medida como una preocupación operativa interna, manejada informalmente por el equipo que resultara dueño de una hoja de cálculo dada. Después, la procedencia, los controles y la responsabilidad documentada se volvieron obligaciones legales y preocupaciones de directorio casi de un día para otro, y las organizaciones que ya gestionaban sus datos financieros con ese nivel de rigor absorbieron la transición con facilidad, mientras que las que no lo hacían pasaron años y dinero significativo instalando controles a la fuerza sobre sistemas que nunca se diseñaron para soportarlos. El gobierno de datos para IA muy plausiblemente va por el mismo camino, en una línea de tiempo bastante más rápida dada la velocidad con la que ya se materializaron los litigios relevantes.

El contraargumento honesto

Vale resistir la sobrecorrección opuesta, que es tratar todos los datos como radiactivos y replegarse en una cautela excesiva que renuncia a ventaja competitiva real. Los datos bien gobernados, correctamente licenciados y de alta calidad siguen siendo un activo genuino y duradero, y las organizaciones que sobrecorrigen hacia no acumular nada y no usar nada distintivo se encontrarán con sistemas de IA entrenados con los mismos datos genéricos y ampliamente disponibles que todos sus competidores, que es un fracaso estratégico propio, solo que más callado que una demanda. La meta no es menos datos. Son datos cuya procedencia, licencia y calidad la organización pueda defender de verdad, por escrito, bajo escrutinio.

Las organizaciones que están abordando esto bien en 2026 no son las que tienen más datos. Son las que pueden declarar, para cualquier conjunto que hoy alimente un modelo, exactamente cuánto vale, cuánto cuesta mantenerlo y qué está licenciado a hacer, y que dejaron de tratar «tenemos muchos datos» como una estrategia en sí misma. Esa frase sola está hoy más cerca de una revelación de riesgo que de una ventaja competitiva. ¿Podría tu organización responder esa pregunta hoy, para su conjunto de datos de mayor riesgo, por escrito?

Juan Vegarra es autor de El manual del outsider (próximamente). Las opiniones aquí son suyas. Más ensayos · Escríbeme