Gobierno de datos financieros para IA: el paso que todos se saltan y que define si su proyecto sirve

TL;DR: El gobierno de datos es el marco de políticas, roles, procesos y controles que asegura que la información de una organización sea exacta, completa, trazable y segura durante todo su ciclo de vida. En el área financiera es la condición previa de cualquier proyecto de inteligencia artificial: una herramienta alimentada con datos inconsistentes produce conclusiones erradas más rápido y con mejor redacción. Aquí encontrará qué es, en qué se diferencia de la gestión de datos, qué roles necesita, cómo se implementa en 90 días, una matriz de madurez y prompts listos para usar.

Llevo años revisando cifras ajenas y he aprendido que casi ningún error grave nace en el cálculo: nace en el dato de entrada. Por eso, cuando un gerente financiero me pregunta con qué herramienta empezar su proyecto de IA, le respondo con otra pregunta: ¿quién responde hoy por la calidad de sus datos? Si nadie levanta la mano, el primer proyecto no es un agente ni un tablero. Es el gobierno de datos.

Un error de fórmula en una hoja de cálculo lo detecta un analista con ojo entrenado. Un modelo alimentado con registros duplicados, terceros mal identificados y cuentas con definiciones distintas produce una conclusión que llega al comité de dirección con prosa impecable y tono de total seguridad. Esa es la diferencia que obliga a tomarse en serio un tema que durante años se dejó en manos de sistemas.

¿Qué es el gobierno de datos y por qué es importante para las empresas?

El gobierno de datos (o gobernanza de datos) es el conjunto de políticas, estándares, roles y controles con el que una organización decide cómo se crean, definen, almacenan, usan, protegen y eliminan sus datos, y quién responde por cada uno de ellos. No es un software ni un proyecto de TI: es una disciplina de administración que trata los datos como un activo estratégico, con dueño, reglas de uso y controles, igual que se trata el efectivo o el inventario.

En la práctica, un programa de gobernanza de datos responde cinco preguntas sobre cada conjunto de datos relevante:

1. ¿De dónde viene? Es el linaje de los datos: del documento soporte al asiento, del asiento al balance y del balance al reporte.
2. ¿Quién es su dueño? Responsabilidad sobre el contenido, no solo permisos de acceso.
3. ¿Qué significa? Definiciones de datos únicas: si «ingresos» incluye o no los otros ingresos, si «cartera vencida» cuenta desde el día 1 o desde el 31.
4. ¿Qué calidad tiene? Completitud, exactitud, duplicados y consistencia entre el ERP, el CRM y las hojas de cálculo.
5. ¿Quién puede usarlo y para qué? Clasificación de datos, seguridad y confidencialidad, incluida la decisión de qué puede cargarse a una herramienta externa.

¿Por qué importa a las empresas? Porque las decisiones basadas en datos son tan buenas como los datos. Una organización sin gobernanza tiene silos de datos, tres versiones de la utilidad del mes y discusiones de comité que giran sobre qué cifra es la correcta, no sobre qué hacer con ella.

¿Cuál es la diferencia entre gobierno de datos y gestión de datos?

Se confunden con frecuencia y conviene separarlos desde el principio. La gobernanza de datos define las reglas; la gestión de datos las ejecuta. Es la misma relación que existe entre las políticas contables que aprueba la administración y el registro diario que hace el equipo.

El marco de referencia más citado en la disciplina, el DAMA-DMBOK, ubica precisamente la gobernanza en el centro de todas las demás funciones de administración de datos: sin ella, la gestión trabaja sin criterio.

¿Cómo afecta el gobierno de datos a la inteligencia artificial?

La gobernanza de datos existe desde hace décadas. Lo que cambió con la inteligencia artificial generativa son tres cosas:

• La escala del error. Antes, un dato malo dañaba un reporte. Hoy alimenta sistemas que generan cientos de análisis, proyecciones y borradores. El error se replica en todo lo que toca.
• La opacidad del procesamiento. Una fórmula se audita celda por celda. No se puede reconstruir con la misma precisión por qué un modelo de lenguaje llegó a una conclusión. Si no controla la entrada, pierde el único punto de control completo que tenía.
• La fuga de información. Cada vez que alguien del equipo pega el detalle de nómina o la posición de tesorería en una herramienta gratuita, entrega información confidencial a un tercero. Es el llamado uso en la sombra, y en finanzas es el riesgo operativo más frecuente de la adopción informal.

La conclusión práctica es sencilla: datos de alta calidad son el requisito para que la inteligencia artificial produzca algo defendible. Por eso la norma ISO/IEC 42001, publicada en 2023 como primera norma internacional de sistemas de gestión de inteligencia artificial, incluye la calidad y la trazabilidad de los datos entre los aspectos que la organización debe controlar. Puede consultar su alcance en la ficha oficial de ISO.

Si su equipo ya está explorando agentes de inteligencia artificial para finanzas, este es el momento de revisar los datos que esos agentes van a leer y, peor aún, a escribir.

¿Qué exige el marco normativo colombiano sobre los datos financieros?

No existe en Colombia una norma de gobernanza de datos para la función financiera. Pero varias obligaciones vigentes lo exigen en la práctica, y el profesional que las conoce tiene argumentos para pedir presupuesto:

Sobre este último punto, el Consejo Técnico de la Contaduría Pública fue claro: no autoriza ni prohíbe estas herramientas, y la responsabilidad sigue en cabeza del profesional. Puede leer el concepto 2026-0209 en el sitio del CTCP y el análisis completo en qué dice la norma colombiana sobre la inteligencia artificial en la contabilidad.

¿Cuáles son los beneficios de la gobernanza de datos en el área financiera?

• Una sola versión de la verdad. El comité discute decisiones, no cifras.
• Cierres más cortos. Menos tiempo en conciliaciones manuales y en rastrear por qué dos reportes no cuadran; algo que se nota especialmente en la consolidación de estados financieros, donde cada filial trae su propio plan de cuentas.
• Auditorías con menos fricción. Si la integridad de los datos está documentada, las solicitudes de la revisoría fiscal se responden con evidencia, no con explicaciones.
• Cumplimiento verificable. La protección de datos deja de ser una política en un cajón y se convierte en controles con responsable.
• Proyectos de automatización que sí rinden. El retorno de la inteligencia artificial depende de la calidad de los datos. Si necesita cuantificarlo ante la gerencia, le sirve la metodología de cómo construir el caso de negocio del ROI.

¿Qué roles son esenciales en un programa de gobierno de datos?

El error más común es asumir que la gobernanza de datos es responsabilidad exclusiva de TI. TI administra la infraestructura; el negocio define el significado y la calidad. Solo finanzas puede decidir qué es «ingreso recurrente» o qué nivel de error es tolerable en una proyección.

En una pyme, varios roles recaen en la misma persona, y está bien. Lo importante es que estén escritos. Si ese es su caso, la guía de inteligencia artificial financiera para pymes muestra cómo adaptar esto sin departamento de tecnología.

¿Qué es un marco de gobernanza de datos y cuáles son sus elementos clave?

Un marco de gobernanza de datos es la estructura documentada que conecta políticas, personas, procesos y tecnología. Para un área financiera, estos son los elementos que no pueden faltar:

Políticas y estándares

Una política general corta, una política de clasificación de datos (público, interno, confidencial, restringido) y una política de uso de herramientas de inteligencia artificial que diga qué datos pueden salir de la organización y cuáles no.

Catálogo de datos y diccionario de métricas

El inventario de activos de datos con definición, fuente, dueño y frecuencia de actualización. Empiece por las diez métricas que más discusiones generan: EBITDA, margen bruto, días de cartera, capital de trabajo.

Datos maestros

La gestión de datos maestros cubre los registros que usan todos los procesos: terceros, plan de cuentas, centros de costo, productos. Un NIT duplicado en el maestro de terceros contamina la cartera, la información exógena y cualquier análisis de riesgo de crédito.

Calidad y linaje

Reglas de validación con umbrales, indicadores monitoreados y el flujo de datos documentado desde el origen hasta el reporte. El linaje responde a la pregunta del auditor: ¿de dónde sale esta cifra?

Seguridad de los datos y ciclo de vida

Quién tiene acceso a los datos, cómo se registra ese acceso, cuánto tiempo se conservan y cómo se eliminan al final del ciclo de vida de los datos. Esto aplica igual a los servidores propios que a los datos en la nube de un proveedor.

¿Qué tan listos están sus datos para la inteligencia artificial?

Evalúe su área con esta matriz. Es un diagnóstico, no un concurso: la mayoría de las áreas financieras que he revisado están entre el nivel 1 y el 2.

Si está mayormente en nivel 1, su primer proyecto de IA debería ser precisamente ordenar la casa. La buena noticia es que la propia tecnología ayuda a hacerlo.

¿Cómo se implementa el gobierno de datos paso a paso?

No intente gobernar todos los datos de la empresa: esa es la receta del proyecto eterno. Esta es la secuencia que recomiendo para un área financiera:

1. Semanas 1 y 2 — diagnóstico y política de uso. Aplique la matriz de madurez y apruebe la política de uso de herramientas. Esto último es urgente: su equipo ya las está usando, con política o sin ella.
2. Mes 1 — roles y diccionario. Nombre propietarios de datos para tres dominios (plan de cuentas, terceros, bancos) y construya el diccionario de las diez métricas críticas.
3. Mes 2 — datos maestros y calidad. Depure el maestro de terceros y defina cinco reglas de calidad con umbral y responsable.
4. Mes 3 — linaje del reporte más crítico. Normalmente el paquete de resultados mensual. Documente cada transformación manual y agregue controles de conciliación.
5. Después — escalar. Con esa base, los proyectos de automatización se construyen sobre roca.

Estos son los prompts que uso para acelerar las primeras etapas. Funcionan con cualquier asistente corporativo; nunca cargue datos personales o confidenciales sin anonimizar.

Prompt 1 — Diagnóstico de madurez:

Actúe como consultor de gobernanza de datos para áreas financieras de empresas colombianas.
Le describo cómo maneja datos mi equipo: [sistemas que usamos, cuántas versiones de la verdad existen, cómo se definen las métricas, quién accede a qué, si hay política de uso de herramientas de inteligencia artificial].
1. Califique de 1 a 3 cinco dimensiones: fuente de verdad, definiciones, calidad, trazabilidad y uso de herramientas.
2. Justifique cada calificación con base en lo que le conté.
3. Proponga las 3 acciones de mayor impacto para subir un nivel en 90 días, con responsable sugerido.
Si le falta información para calificar, pregúnteme antes de concluir.

Prompt 2 — Diccionario de métricas financieras:

Ayúdeme a construir el diccionario de métricas financieras de mi empresa.
Para cada métrica genere una ficha con: definición en una frase, fórmula, fuente (sistema, módulo y cuentas PUC o del plan de cuentas NIIF), propietario sugerido por rol, frecuencia de actualización y ambigüedades que debo resolver (por ejemplo: ¿el EBITDA incluye otros ingresos? ¿los días de cartera se calculan sobre ventas a crédito o totales?).
Métricas: [liste sus 10 métricas principales].

Prompt 3 — Auditoría de calidad de un extracto:

Le comparto un extracto anonimizado del maestro de terceros y de la cartera: [pegue la muestra o describa la estructura de columnas].
Identifique: valores faltantes, NIT duplicados o con dígito de verificación inconsistente, formatos de fecha y moneda mezclados, saldos atípicos y un mismo tercero escrito de formas distintas.
Entregue una tabla con: hallazgo, número de registros afectados, severidad (alta, media, baja) y la regla de validación que evitaría que se repita.

Prompt 4 — Política de uso de herramientas de inteligencia artificial:

Redacte el borrador de una política de uso de herramientas de inteligencia artificial generativa para un área financiera de [número] personas en Colombia.
Incluya: clasificación de datos en 4 niveles con ejemplos financieros de cada uno; qué puede compartirse según el nivel y el tipo de cuenta (gratuita o corporativa); tratamiento de datos personales conforme a la Ley 1581 de 2012; aprobación de nuevas herramientas; verificación humana obligatoria antes de que un resultado salga del área; y consecuencias del incumplimiento.
Máximo dos páginas, lenguaje claro, sin tecnicismos innecesarios.

¿Cuáles son los desafíos comunes al implementarlo?

• Verlo como un proyecto de TI. Sin propietarios de datos en el negocio, el catálogo se desactualiza en seis meses.
• Querer abarcar todo. Gobernar cien dominios a la vez paraliza. Tres dominios bien gobernados valen más.
• Burocracia excesiva. Un comité que aprueba cada consulta empuja al equipo al uso en la sombra. Los controles deben ser proporcionales al riesgo: explicar una variación no requiere lo mismo que un agente que registra asientos.
• Mala calidad de los datos heredada. Años de terceros duplicados no se limpian en una semana; priorice por saldo y por uso.
• Falta de patrocinio. Si la gerencia no ve el vínculo con resultados, el programa muere en el primer recorte.

Muchos de estos tropiezos se repiten en los riesgos de la inteligencia artificial para contadores: confidencialidad, respuestas falsas con apariencia correcta y responsabilidad profesional.

¿Cuáles son las mejores prácticas de gobierno de datos?

1. Empiece por un caso de uso con valor visible, no por una política de cuarenta páginas.
2. Nombre personas, no áreas: «el contador general responde por el plan de cuentas».
3. Mida la calidad de los datos con pocos indicadores y publíquelos cada mes.
4. Documente el linaje de los reportes que van a junta directiva o a terceros.
5. Clasifique antes de automatizar: ningún dato restringido debe llegar a una herramienta no aprobada.
6. Deje evidencia de cada control; es lo que pedirá el auditor bajo la NIA 500.
7. Revise el programa cada año, como revisa sus políticas contables.

Preguntas frecuentes

¿El gobierno de datos es lo mismo que la gobernanza de datos?

Sí. Son dos traducciones de data governance. En Colombia se usan ambas; algunas entidades públicas prefieren «gobierno» y la literatura corporativa suele usar «gobernanza».

¿Es seguro pegar datos financieros en un asistente de inteligencia artificial?

Depende del dato y del tipo de cuenta. Con cuentas gratuitas personales, asuma que no debe compartir nada confidencial. Las cuentas corporativas suelen incluir compromisos contractuales de no entrenamiento, pero verifique las condiciones de su proveedor. Los datos personales identificables requieren además cumplir la Ley 1581 de 2012.

¿Qué tamaño de empresa necesita gobierno de datos?

Cualquiera que tome decisiones con datos. Lo que cambia es la formalidad: una pyme puede resolverlo con un diccionario de métricas, tres propietarios y una política de una página.

¿Cuánto tarda en dar resultados?

Los primeros resultados visibles, como menos discusiones sobre cifras y un cierre más ordenado, suelen aparecer en el primer trimestre si se empieza por pocos dominios.

¿Qué papel tiene el revisor fiscal o el auditor interno?

Evaluar si los controles sobre la información son adecuados, no diseñarlos ni operarlos. Si quiere profundizar en la revisión de estos sistemas, vea cómo auditar sistemas de inteligencia artificial.

¿Qué herramientas se usan para gobernar datos?

Existen soluciones de gobernanza de datos con catálogo, linaje y monitoreo de calidad. Para un área financiera mediana, una hoja de cálculo bien controlada y las validaciones del ERP son un punto de partida suficiente; la solución especializada llega cuando el volumen lo justifica.

Lo que hay que llevarse de todo esto

La gobernanza de datos no es el proyecto que se presume en redes. Pero cuando los proyectos de automatización empiecen a fallar por datos inconsistentes, el profesional que entendió esto primero será el que tenga resultados y credibilidad intacta. La calidad de sus datos es la calidad de sus decisiones, y asegurar la calidad de la información financiera es, literalmente, nuestra profesión.

Los profesionales que dominan estas herramientas ahorran más de 10 horas semanales

No se trata de reemplazar su criterio profesional, sino de potenciarlo con método, controles y evidencia documentada. En el Programa Ejecutivo en IA para las Finanzas enseño paso a paso cómo integrar la IA en el flujo de trabajo diario con resultados medibles.

👉 Ver programa completo · Conozca también los tres programas ejecutivos de IA Contable.

📲 Escríbame por WhatsApp y le cuento cómo funciona.

Autor: Francisco Moreno Díaz — CP · MBA · MBAN · CAIO
Publicado en: IA Contable