Los registros empresariales generados por inteligencia artificial —contratos borrador, informes de auditoría, minutas de reunión, análisis financieros— ya conviven con la documentación humana en los repositorios corporativos sin que la mayoría de los marcos de gobernanza de datos sepa distinguirlos. El desafío no es tecnológico: es de ownership, linaje y política de retención.
Durante décadas, un “registro empresarial” tenía un autor identificable, una fecha de creación confiable y un proceso de aprobación trazable. Esas tres propiedades son las que los marcos de gestión documental —desde ISO 15489 hasta las políticas de retención de registros del DAMA-DMBOK— asumen como punto de partida. La irrupción de herramientas de IA generativa en flujos de trabajo cotidianos rompe esa cadena de supuestos: un contrato puede tener a un modelo de lenguaje como primer redactor, un ser humano como revisor parcial y ningún sistema de registro que capture esa distinción.
Qué es un registro generado por IA y por qué importa la distinción
Un registro generado por IA es cualquier documento, entrada de base de datos o artefacto informacional cuyo contenido sustantivo fue producido —total o parcialmente— por un sistema de inteligencia artificial sin intervención editorial humana equivalente a autoría. La distinción importa por al menos tres razones operativas: la exactitud del contenido no está garantizada por un juicio humano, la atribución de responsabilidad ante un error es ambigua, y las políticas de retención diseñadas para documentos humanos pueden no ser legalmente válidas cuando el origen es automatizado. En contextos de litigio o auditoría regulatoria, la incapacidad de demostrar quién —o qué— produjo un registro puede convertirse en un pasivo.
El problema de linaje: sin origen claro, sin confiabilidad posible
El concepto de data lineage —trazabilidad del dato desde su origen hasta su uso final— es central en cualquier programa maduro de gobernanza. El DAMA-DMBOK lo trata como un componente de la gestión de metadatos; el EDM Council, en su marco CDMC, lo incluye como capability crítica para demostrar confiabilidad a reguladores. Cuando un documento es generado por un modelo de lenguaje grande (LLM), el “origen” del contenido no es un sistema transaccional ni un analista con nombre y apellido: es una combinación de pesos estadísticos entrenados sobre corpus que la organización no controla. Sin capturar ese contexto —qué modelo, qué versión, qué prompt, qué fecha, qué validación humana— el linaje del registro es, en la práctica, inexistente. Un catálogo de datos que no distinga entre un informe escrito por un controller y uno generado por un agente de IA está operando con metadatos falsos.
Ownership y data stewardship ante contenido sin autor humano
El modelo de data stewardship —popularizado por Bob Seiner bajo el enfoque de Non-Invasive Data Governance— asigna responsabilidad sobre los datos a quienes ya los usan en sus procesos, sin crear roles artificiales. Ese modelo asume que hay una persona que “usa” el dato y, por tanto, puede responder por él. Con registros generados por IA, el steward de facto es quien activó la herramienta, pero esa persona frecuentemente no revisó el contenido con el nivel de detalle suficiente para garantizar su exactitud. Las organizaciones necesitan extender sus matrices de ownership para contemplar explícitamente esta categoría: quién aprueba, quién valida y quién retiene la responsabilidad sobre un registro cuya redacción fue delegada a un sistema automatizado.
Cuándo aplica este desafío y cuándo no
Este problema es urgente en organizaciones que ya desplegaron herramientas de IA generativa en funciones como legales, finanzas, recursos humanos o cumplimiento normativo, y que producen documentos con valor probatorio o regulatorio. No aplica de la misma forma a usos de IA limitados a análisis exploratorio interno sin salida documental formal, ni a sistemas de automatización de reportes estructurados con reglas determinísticas —donde el linaje sigue siendo trazable. La línea divisoria está en si el output del modelo puede llegar a ser citado como evidencia, presentado ante un regulador o incorporado a un expediente.
América Latina: regulación de registros y el silencio sobre la IA generativa
En la región, los marcos regulatorios sobre gestión documental y registros empresariales aún no contemplan explícitamente el origen automatizado del contenido. En Argentina, la Ley 25.506 de firma digital y las normas del Archivo General de la Nación establecen condiciones de autenticidad para documentos electrónicos, pero no abordan la cuestión del contenido generado por IA. En Brasil, las empresas supervisadas por el Banco Central operan bajo resoluciones que exigen trazabilidad de decisiones —especialmente en crédito y cumplimiento— lo que ya genera tensión con el uso de modelos de IA en la producción de informes regulatorios. En México, las instituciones financieras reguladas por la CNBV deben documentar sus procesos de toma de decisiones; un informe de riesgo generado por un LLM sin atribución clara podría no satisfacer ese requisito. Ninguna de estas jurisdicciones tiene aún una guía específica sobre cómo clasificar, retener o autenticar registros con origen en IA generativa.
El paso concreto para un equipo de gobernanza es incorporar al catálogo de datos una nueva dimensión de metadatos: “origen de contenido” con valores posibles como “humano”, “IA-asistido” y “IA-generado”. Esa distinción permite aplicar políticas de retención diferenciadas, exigir validación humana documentada antes de que un registro adquiera estatus oficial, y responder con precisión si un regulador o contraparte legal pregunta cómo se produjo un documento. Implementarlo no requiere un proyecto de transformación: requiere una decisión de política y una actualización del esquema de metadatos en el catálogo existente.
Para los equipos de gobernanza que aún no clasifican el origen del contenido en sus catálogos, la pregunta no es si un auditor o regulador lo pedirá, sino cuándo.
