Durante décadas, la composición de un consejo de administración se resolvió con una combinación relativamente estable de perfiles: uno financiero, uno legal, uno de industria. Esa combinación cubría, de forma razonable, los riesgos que un consejo tenía que vigilar. Hoy deja descubierto uno de los más relevantes — y de los que con mayor frecuencia se aprueban sin el escrutinio adecuado: si un proyecto de datos o inteligencia artificial tiene una base sólida, o si es una recomendación bien presentada construida sobre datos que nadie ha validado.
El perfil tradicional de consejero no cubre este riesgo
Un perfil financiero puede evaluar si el retorno proyectado de un proyecto de IA es razonable frente al capital solicitado. Un perfil legal puede evaluar los riesgos regulatorios y contractuales. Un perfil de industria puede evaluar si el proyecto responde a una necesidad real del negocio. Ninguno de los tres, por diseño, está capacitado para evaluar si los datos sobre los que se construyó la recomendación son confiables, o si el modelo propuesto responde efectivamente a la pregunta de negocio que dice resolver.
Esto no es una crítica a esos perfiles — es una descripción de un vacío estructural. Los consejos se diseñaron para vigilar los riesgos que dominaban la agenda corporativa durante décadas: financieros, legales, de mercado. Datos e IA son una categoría de riesgo relativamente nueva en esa agenda, y la mayoría de los consejos todavía no han incorporado el perfil que le corresponde.
Lo que pasa cuando ese perfil no está en la mesa
Sin un integrante capaz de cuestionar el fondo técnico de una propuesta, la reacción típica de un consejo frente a un proyecto de datos o IA no es rechazarlo por precaución. Es aprobarlo con base en qué tan convincente resultó la presentación — porque no hay nadie en la sala con el criterio para cuestionarla de otra forma.
Eso puede tomar apenas minutos. Un caso de negocio bien armado, una proyección de retorno atractiva, y una recomendación presentada con seguridad son suficientes para obtener luz verde, incluso cuando nadie ha verificado si los datos de origen son confiables o si la métrica de éxito quedó definida con claridad. El resultado no es necesariamente un mal proyecto — es un proyecto aprobado sin la vigilancia que el capital comprometido debería exigir.
Criterio técnico no significa que todo el consejo se vuelva técnico
El error más común al identificar este vacío es asumir que la solución requiere que todos los integrantes del consejo adquieran conocimientos de ciencia de datos o inteligencia artificial. No es así, y exigirlo sería poco realista para la mayoría de los consejos.
Lo que se necesita es distinto: al menos una persona en la mesa con el criterio suficiente para hacer un conjunto reducido de preguntas que revelan si el trabajo de fondo se hizo con rigor. No preguntas técnicas sobre arquitectura de modelos o algoritmos — preguntas de negocio aplicadas a un proyecto de datos o IA: qué decisión va a cambiar, cómo se va a medir el éxito, y qué tan confiables son los datos de origen.
Ese perfil puede ser un consejero independiente con experiencia previa en transformación digital, el presidente de un comité de auditoría con mandato ampliado, o cualquier integrante dispuesto a desarrollar ese criterio de forma deliberada. Lo relevante no es el título que ocupa, sino que exista alguien con la responsabilidad explícita de hacer esas preguntas en cada propuesta relevante.
Qué debería poder hacer ese perfil, en términos concretos
Definir el perfil como «alguien con criterio técnico» es demasiado abstracto para ser accionable. En términos concretos, la persona responsable de este rol dentro del consejo debería poder hacer, como mínimo, tres cosas frente a cualquier propuesta de datos o IA.
Primero, distinguir entre una proyección de retorno construida sobre un piloto validado y una construida sobre supuestos optimistas sin evidencia. La diferencia no siempre es visible en el resumen ejecutivo que llega al consejo, y requiere preguntar directamente cómo se obtuvo cada cifra.
Segundo, identificar cuándo una recomendación depende de datos que probablemente no están gobernados — múltiples fuentes sin una definición común de cliente o producto, información histórica sin auditoría de calidad, o series de tiempo con huecos que nadie mencionó. No hace falta auditar el dato line por línea para hacer esta pregunta; hace falta saber que hay que hacerla.
Tercero, verificar que exista una métrica de éxito definida antes de la aprobación, no después de la implementación. Un proyecto que se aprueba sin que nadie pueda nombrar cómo se va a medir el éxito casi siempre termina evaluándose de forma retroactiva y subjetiva, lo que hace prácticamente imposible que el consejo aprenda algo útil de esa decisión para la siguiente.
El costo de no tener este perfil no es inmediato
Uno de los motivos por los que este vacío persiste tanto tiempo en un consejo es que su costo no se manifiesta de inmediato. Un proyecto aprobado sin el criterio técnico adecuado no necesariamente fracasa de forma visible en el corto plazo — con frecuencia avanza, consume presupuesto, y produce resultados ambiguos que nadie puede atribuir con claridad a una buena o mala decisión original.
Ese tipo de resultado ambiguo es, paradójicamente, más costoso a largo plazo que un fracaso evidente. Un fracaso evidente genera una corrección de rumbo. Un resultado ambiguo erosiona, con el tiempo, la confianza del consejo en su propia capacidad de aprobar este tipo de proyectos — lo que con frecuencia deriva en una de dos reacciones igual de problemáticas: aprobar cada vez con menos escrutinio, por costumbre, o frenar la inversión en datos e IA por completo, por precaución excesiva, sin que ninguna de las dos resuelva el vacío original.
Cómo identificar si el consejo tiene este vacío
Hay una prueba simple: en la última propuesta de datos o IA que el consejo aprobó, ¿alguien preguntó qué tan confiables eran los datos de origen antes de aprobar el capital? Si la respuesta es no, o si nadie recuerda que se haya hecho esa pregunta, el vacío existe, independientemente de qué tan sólidos sean los demás perfiles representados en la mesa.
Otra señal es la velocidad de aprobación. Un proyecto de datos o IA que se aprueba en la misma sesión en que se presenta, sin preguntas de seguimiento sobre la calidad del dato o la métrica de éxito, generalmente no fue vigilado — fue aceptado con base en la confianza que generó quien lo presentó. Ninguna de estas señales requiere conocimiento técnico para identificarse; requieren, simplemente, que alguien en el consejo se detenga a revisar el acta de la sesión con esa pregunta en mente.
Preguntas frecuentes
¿Es necesario contratar a un consejero con perfil de ciencia de datos? No necesariamente. Es más efectivo desarrollar el criterio en un integrante actual del consejo con experiencia en transformación digital o proyectos tecnológicos, que incorporar a alguien externo sin conocimiento del negocio específico de la organización.
¿Cuántas propuestas de datos o IA necesita ver un consejo antes de que este vacío se vuelva relevante? Basta con una. El riesgo de aprobar un proyecto sin el criterio adecuado no depende de cuántos proyectos similares vengan después — depende de que el capital comprometido en esa única aprobación esté respaldado por una recomendación verificada.
¿Qué pasa si el consejo decide no incorporar este perfil? El consejo sigue funcionando, pero con un vacío de vigilancia sobre una categoría de riesgo que va a crecer, no a disminuir, conforme más decisiones de negocio dependan de proyectos de datos o IA.
¿Este vacío es exclusivo de consejos de administración formales? No. El mismo patrón aparece en comités directivos, comités de inversión y cualquier órgano colegiado que tenga que aprobar capital para proyectos de datos o IA sin un mandato explícito de vigilancia técnica. El nombre del órgano cambia; el vacío estructural es el mismo.
Siguiente paso
En MaIA by Scanda trabajamos con consejos de administración y comités directivos que necesitan construir el criterio técnico interno para evaluar proyectos de datos o IA, y con la base de datos confiable — Data Quality y Data Lake — que ese criterio necesita para operar. No se trata de sustituir el juicio del consejo con una consultoría externa permanente, sino de dejar instalada la capacidad de hacer estas preguntas de forma autónoma en cada propuesta futura. Si tu consejo está por aprobar un proyecto de este tipo, conversemos.
Español 
English