Blog

La Intendencia de Montevideo oficializó un modelo de gobernanza de datos que convierte a la capital uruguaya en uno de los pocos gobiernos municipales de América Latina con un marco institucional explícito para la gestión de sus activos de datos. El movimiento no es cosmético: implica roles definidos, políticas internas y una arquitectura de decisión sobre los datos públicos que la ciudad produce y consume.

Que un gobierno subnacional latinoamericano formalice su gobernanza de datos sigue siendo la excepción, no la regla. La mayoría de las intendencias, municipios y alcaldías de la región operan con datos fragmentados entre sistemas sectoriales —salud, movilidad, tributos, catastro— sin un marco transversal que defina quién es responsable de cada dominio, cómo se garantiza la calidad y bajo qué criterios se habilita el intercambio. Montevideo acaba de dar un paso que pocas administraciones de su tamaño han dado de manera formal.

Qué significa institucionalizar en el marco DAMA-DMBOK

En el lenguaje de la industria, “institucionalizar” un modelo de gobernanza implica que las prácticas dejan de depender de voluntades individuales y se anclan en estructuras formales: políticas aprobadas, roles con mandato explícito (data stewards, data owners, un equivalente a CDO), y procesos repetibles de control de calidad y ciclo de vida del dato. Según el DAMA-DMBOK —el framework de referencia global para la gestión de datos—, la gobernanza es la función paraguas que habilita todas las demás áreas de conocimiento: calidad, arquitectura, seguridad, metadata. Sin ese paraguas formal, cada área opera en silos. La Intendencia de Montevideo, según se informó, habría avanzado precisamente en ese nivel estructural.

El modelo institucionalizado supone también que existe alguna forma de data catalog o inventario de activos de datos, un mecanismo de data lineage para rastrear el origen y transformación de los datos entre sistemas municipales, y —lo más difícil en el sector público— un proceso de resolución de conflictos entre dominios cuando distintas áreas reclaman ownership sobre el mismo dato. Sin estos tres elementos operativos, la gobernanza se queda en el papel.

Uruguay lidera en LATAM, pero el estándar regional sigue siendo bajo

Uruguay viene construyendo capacidades de datos públicos desde hace más de una década. La Agencia de Gobierno Electrónico y Sociedad de la Información y el Conocimiento (AGESIC) —hoy reorganizada como parte de la Agencia de Transformación Digital y Ciberseguridad (ATDC)— desarrolló marcos de interoperabilidad y datos abiertos que posicionaron al país como referente regional en e-government. El movimiento de la Intendencia de Montevideo es coherente con ese ecosistema nacional, pero ocurre a nivel subnacional, donde el avance suele ser mucho más lento.

En contraste, en Argentina los municipios carecen de un marco federal que los oriente en gobernanza de datos, y el Poder Ejecutivo Nacional aún no consolidó un modelo equivalente al nivel del Estado central. Brasil avanzó con la Estratégia de Governo Digital 2024-2027 y la actuación de la Controladoria-Geral da União (CGU) en datos abiertos, pero la gobernanza subnacional es heterogénea: São Paulo tiene capacidades muy distintas a las de un municipio del interior de Mato Grosso. México, por su parte, tiene a nivel federal la Plataforma Nacional de Transparencia, pero la gobernanza de datos como disciplina de gestión interna —con data owners, stewards y políticas de calidad— es prácticamente inexistente en los gobiernos locales.

El riesgo de la gobernanza declarativa: qué distingue el papel de la práctica

La historia reciente de la región tiene varios ejemplos de marcos de gobernanza que se aprueban por decreto y nunca se operacionalizan. La diferencia entre una gobernanza real y una gobernanza decorativa se mide en tres indicadores concretos: si existe un comité de datos con reuniones regulares y actas documentadas, si los data stewards tienen tiempo formal asignado a sus responsabilidades de gobernanza (no solo como función adicional a su rol técnico), y si hay métricas de calidad de datos que se reportan periódicamente a la dirección. Sin estos tres elementos, el modelo más sofisticado sobre papel no produce ningún cambio operativo.

El EDM Council, a través de su framework CDMC (Cloud Data Management Capabilities), identifica 14 capabilities organizadas en capas que van desde la definición de políticas hasta la implementación técnica de controles. La mayoría de los gobiernos latinoamericanos —incluso los más avanzados— operan con capabilities equivalentes a los niveles 1 y 2 del CDMC, sin certificación formal y sin benchmarking externo. Montevideo, si el modelo institucionalizado incluye mecanismos de medición, podría convertirse en el primer gobierno municipal de la región en mapear sus capacidades contra un estándar internacional.

Qué monitorear en los próximos meses: los hitos que confirmarán la solidez del modelo

El anuncio de institucionalización es el punto de partida, no el destino. Los hitos que confirmarán si el modelo de Montevideo tiene tracción real son los siguientes:

• Publicación del marco normativo interno (resolución, decreto departamental o política aprobada) con los roles formales de gobernanza y sus atribuciones.
• Designación pública de los data owners por dominio temático (movilidad, tributos, salud, catastro) y del responsable central de gobernanza.
• Integración del modelo con el portal de datos abiertos de la Intendencia, que existe desde hace años pero sin una capa de gobernanza explícita sobre la calidad y actualización de los datasets publicados.
• Primer reporte de métricas de calidad de datos o inventario de activos accesible públicamente.

Si en seis meses ninguno de estos elementos es visible, el riesgo de que el modelo quede como declaración de intenciones es alto. Si alguno de ellos aparece, Montevideo habrá construido un caso de referencia replicable para otras capitales de la región.

Nuestro análisis

La iniciativa de Montevideo importa por lo que representa, no solo por lo que hace: un gobierno municipal en América Latina que trata los datos como activos que requieren gestión estructurada, roles formales y políticas explícitas es todavía una rareza. El timing también es relevante. La presión regulatoria sobre el sector público en materia de datos —desde la Ley 19.670 de Uruguay hasta los reglamentos de la ATDC sobre ciberseguridad y datos— hace que la gobernanza deje de ser optativa para convertirse en una condición de cumplimiento. Las intendencias que no tengan un modelo operativo cuando lleguen los primeros requerimientos de auditoría o los primeros incidentes de datos enfrentarán costos institucionales y reputacionales que podrían haberse evitado.

Para los equipos de datos de otras administraciones públicas de la región, la experiencia de Montevideo ofrece algo valioso: un caso concreto, en escala municipal, de cómo iniciar la formalización sin esperar a tener presupuestos de gobierno federal ni plataformas tecnológicas de última generación. La gobernanza de datos no requiere primero comprar herramientas; requiere primero definir quién decide qué sobre los datos, y documentarlo.

La pregunta que Montevideo deja abierta para el resto de la región es si este tipo de decisiones llegará por convicción institucional o habrá que esperar a que un incidente de datos públicos obligue a los gobiernos a actuar.

Seis de cada diez proyectos de inteligencia artificial fracasan o no alcanzan sus objetivos no por fallas en los modelos, sino por problemas en la gestión de los datos que los alimentan, según advirtió Gartner. La cifra pone en el centro del debate una capacidad que muchas organizaciones latinoamericanas todavía tratan como tarea pendiente: la gobernanza de datos.

El diagnóstico de Gartner no es nuevo en su dirección, pero sí en su magnitud. Cuando una empresa decide implementar un modelo de lenguaje, un sistema de recomendación o cualquier herramienta de analítica avanzada, el supuesto implícito es que los datos de entrenamiento y operación son confiables, están bien catalogados y tienen un propietario claro. En la mayoría de las organizaciones de la región, ese supuesto es falso. Los datos llegan de silos desconectados, sin linaje trazable, con definiciones inconsistentes entre áreas y sin un data steward —responsable temático del dato— que garantice su calidad antes de que el modelo los consuma.

Por qué el dato roto destruye al modelo, no al revés

Un modelo de inteligencia artificial es, en términos operativos, una función matemática que generaliza patrones a partir de datos históricos. Si esos datos contienen duplicados, valores ausentes sin criterio de imputación, o categorías definidas de forma distinta en cada sistema de origen, el modelo aprende esos errores y los amplifica. El fenómeno tiene nombre en la industria: garbage in, garbage out. Lo que Gartner señala es que ese “garbage” no es un accidente técnico: es el resultado predecible de organizaciones que invierten en infraestructura de IA antes de haber resuelto su arquitectura de gobierno del dato.

El marco DAMA-DMBOK identifica once áreas de conocimiento en gobernanza de datos —desde la arquitectura y el modelado hasta la calidad, la seguridad y el ciclo de vida del dato—. Las organizaciones que lanzan proyectos de IA sin haber madurado al menos las áreas de calidad de datos, catálogo y linaje están operando sin los cimientos mínimos. El EDM Council, a través de su certificación CDMC (Cloud Data Management Capabilities), también establece que la trazabilidad del dato —saber de dónde viene, cómo fue transformado y quién lo aprobó para uso analítico— es una capacidad de nivel básico, no avanzado.

Cuándo aplica esta advertencia / cuándo NO

La advertencia de Gartner aplica directamente a proyectos de IA que operan sobre datos internos de la organización: modelos predictivos de riesgo crediticio, sistemas de detección de fraude, motores de recomendación, analítica de clientes o automatización de procesos con datos históricos. El riesgo es más alto cuando los datos provienen de múltiples sistemas legados con escasa integración. En cambio, el problema es menos crítico —aunque no inexistente— en implementaciones que usan modelos fundacionales pre-entrenados con datos propietarios externos, donde el riesgo de dato roto se desplaza al proveedor del modelo. Tampoco aplica de la misma forma a proyectos de IA que operan sobre datos sintéticos o en entornos de laboratorio sin implicancias operativas.

El estado de la gobernanza de datos en América Latina

En la región, la brecha es estructural. Muchos bancos colombianos y mexicanos que reportan ante la Superintendencia Financiera de Colombia o la CNBV operan con modelos de scoring crediticio cuya trazabilidad de datos es, en el mejor caso, parcial. En Brasil, la LGPD (Lei Geral de Proteção de Dados, Ley 13.709/2018) obliga a las empresas a documentar el tratamiento de datos personales, lo que ha empujado a algunas organizaciones a construir catálogos de datos reactivamente —para cumplir con la ley— sin integrarlos a una estrategia de gobernanza más amplia. En Argentina, la Ley 25.326 de Protección de Datos Personales está en proceso de modernización, y el debate sobre su reforma incluye requisitos de documentación de tratamientos que, si se aprueban, tendrán el mismo efecto de forzar estructuras mínimas de gobierno del dato.

La paradoja regional es que la presión regulatoria de privacidad está creando, como efecto secundario, las condiciones para una gobernanza de datos más sólida. Las organizaciones que construyen sus registros de actividades de tratamiento (RAT) para cumplir con LGPD o con la normativa de la AAIP argentina están, sin saberlo, construyendo un inventario de datos que puede convertirse en el punto de partida de un catálogo de datos institucional.

Tres capacidades que un CDO debe tener antes de aprobar un proyecto de IA

Si el número de Gartner tiene alguna utilidad práctica, es como criterio de evaluación previa. Antes de aprobar el presupuesto de un proyecto de IA, un Chief Data Officer debería poder responder afirmativamente a tres preguntas concretas: primero, si los datos de entrenamiento tienen un data steward identificado que pueda certificar su calidad y origen; segundo, si existe linaje documentado que permita rastrear cada campo crítico desde su fuente hasta el modelo; y tercero, si hay un proceso de monitoreo de calidad de datos en producción, no solo en el momento del entrenamiento inicial. Si alguna de esas tres respuestas es negativa, el proyecto tiene una probabilidad estadísticamente documentada —según Gartner— de estar entre el 60% que no cumplirá sus objetivos. La decisión de avanzar de todas formas es legítima, pero debe tomarse con esa información sobre la mesa.

Para profundizar en los marcos de madurez aplicables, el DAMA-DMBOK2 y el framework CDMC del EDM Council son los estándares de referencia que cualquier equipo de gobernanza puede usar como línea de base antes de comprometer recursos en IA.

El Global Regulatory Council (GRC) anunció la creación de un consejo dedicado a la gobernanza de datos de emisiones en el sector marítimo, con el objetivo de estandarizar la recolección, calidad y reporte de información climática a escala global. La iniciativa responde a una brecha estructural que los reguladores y operadores del sector ya no pueden ignorar: los datos sobre emisiones que circulan entre armadores, puertos y autoridades nacionales son, con frecuencia, inconsistentes, incompletos o incomparables.

La gobernanza de datos de emisiones es el conjunto de políticas, roles, procesos y controles que determinan cómo se captura, valida, almacena y reporta la información sobre gases de efecto invernadero generados por operaciones —en este caso, principalmente por buques y flotas comerciales. Sin una capa de gobierno clara sobre esos datos, las declaraciones de descarbonización se vuelven inauditables: una empresa puede reportar reducciones que ningún tercero puede verificar de forma independiente.

Por qué el sector marítimo necesita un consejo específico para datos de emisiones

El transporte marítimo mueve aproximadamente el 80% del comercio mundial y representa, según estimaciones de la Organización Marítima Internacional (OMI), cerca del 2,9% de las emisiones globales de CO₂. La fragmentación regulatoria es intensa: conviven el sistema EU MRV (Monitoring, Reporting and Verification) de la Unión Europea, el sistema IMO DCS (Data Collection System) y marcos nacionales que en muchos casos no son interoperables. El resultado es que un mismo buque puede reportar datos de consumo de combustible bajo tres esquemas distintos con metodologías incompatibles, generando inconsistencias que distorsionan los inventarios de emisiones sectoriales. El nuevo consejo del GRC apunta, según se informó, a crear criterios comunes de definición, recolección y auditoría de datos que puedan funcionar como capa transversal sobre esos regímenes existentes.

Mecanismo: qué hace concretamente un consejo de gobernanza de datos en este contexto

Un órgano de este tipo opera, en la práctica, como un comité de data stewardship sectorial. Sus funciones típicas incluyen la definición de un glosario común (¿qué se entiende exactamente por “emisión verificada” versus “emisión estimada”?), el establecimiento de reglas de ownership sobre los datos a lo largo de la cadena —quién es responsable del dato desde el sensor en sala de máquinas hasta el registro en la plataforma de reporte—, y la validación de metodologías de cálculo. Bajo el marco DAMA-DMBOK, esto equivale a activar las disciplinas de Calidad de Datos y Gestión de Metadatos con alcance interorganizacional, lo que es considerablemente más complejo que hacerlo dentro de una sola empresa porque implica acordar estándares entre actores con incentivos distintos: armadores, navieras, clasificadoras y reguladores.

Cuándo aplica este modelo de gobernanza / cuándo NO

Este enfoque de consejo sectorial es pertinente cuando el problema de calidad de datos no puede resolverse dentro de una sola organización porque los datos cruzan fronteras organizacionales antes de ser usados para decisiones regulatorias o comerciales. Aplica en sectores con múltiples actores interdependientes: marítimo, energía, cadenas de suministro, salud pública. No aplica —o aplica de forma muy limitada— cuando el problema es interno: si los datos de emisiones son capturados y reportados por una sola empresa bajo un único marco regulatorio, la solución es un programa interno de calidad de datos con un data steward designado, no un consejo interinstitucional. La distinción importa porque los consejos sectoriales tienen costos de coordinación altos y tienden a avanzar lentamente; usarlos para problemas que pueden resolverse internamente es un error de diseño frecuente.

La perspectiva de América Latina: puertos y flotas bajo marcos de reporte disímiles

Para los países latinoamericanos con actividad portuaria significativa —Brasil, México, Chile, Panamá, Argentina— la iniciativa del GRC tiene implicancias directas. Las flotas que hacen escala en puertos europeos ya están sujetas al EU MRV; las que operan exclusivamente en rutas regionales quedan bajo el IMO DCS y las normativas nacionales, que en la mayoría de los casos carecen de requisitos de verificación independiente de los datos. En Brasil, la ANTAQ (Agência Nacional de Transportes Aquaviários) regula el sector pero no ha establecido aún un esquema de data governance para emisiones equiparable al EU MRV. En Argentina, la Subsecretaría de Puertos y Vías Navegables tampoco cuenta con un marco estandarizado de recolección de datos de emisiones para la flota fluvial y de cabotaje. Eso significa que operadores latinoamericanos que quieran acceder a mercados o financiamiento verde en los próximos años tendrán que adaptar sus sistemas de datos a estándares que se están definiendo hoy en foros como el que impulsa el GRC, sin haber participado activamente en su diseño.

Para quienes administran datos en organizaciones del sector marítimo o de logística regional, el movimiento del GRC es una señal de que los estándares de reporte de emisiones van a converger —y que el costo de no tener una arquitectura de datos de emisiones auditables hoy será, en pocos años, el costo de rehacerla bajo presión regulatoria. La referencia para profundizar es el marco de reporte del IMO DCS y la regulación EU MRV (Reglamento UE 2015/757), ambos disponibles en los sitios oficiales de la OMI y la Comisión Europea.