El costo oculto de adoptar IA sin gobierno: lo que su empresa ya está perdiendo sin saberlo
Su equipo ya usa IA. La pregunta no es si lo hace, sino cuánto de lo que comparte en esos sistemas debería estar protegido. El 42% de las empresas en América Latina ha sufrido fugas de datos confidenciales en los últimos dos años (1). El costo promedio por incidente en la región llegó a US$2,51 millones en 2025, con 316 días promedio para detectar y contener el daño (2). Y la causa más frecuente no fue un ataque sofisticado: fue error humano. Un empleado que copió una nómina en un chatbot. Un gerente que pegó un contrato en una herramienta gratuita. Una acción de tres segundos con consecuencias de meses.
La mayoría de las empresas medianas en LATAM adoptó IA con velocidad de startup y gobernanza de startup de 2015: ninguna.
Este artículo demostrará que el riesgo no viene del exterior, sino del interior de la organización, que los cuatro frentes de mayor exposición son perfectamente controlables con decisiones ejecutivas concretas, y que actuar hoy no es opcional porque los empleados ya decidieron sin usted qué herramientas usar.
Pilar 1: Su empresa ya tiene una política de IA. La escribieron sus empleados.
El fenómeno más subestimado en empresas medianas hoy se llama Shadow AI: el uso no autorizado, no supervisado y no gobernado de herramientas de inteligencia artificial generativa. Chatbots públicos, asistentes gratuitos, modelos sin contrato firmado ni cláusula de privacidad. Todo ello usado a diario por colaboradores que no tienen mala intención, pero tampoco tienen instrucciones claras.
El dato es incómodo pero verificable: el 75% de los ejecutivos admite que la estrategia de IA de su empresa es «más para mostrar» que una guía operativa real (7). Mientras los directorios deliberan, los empleados ya actúan. El 39% de las organizaciones no tiene un plan formal de uso de IA, y el 54% reporta que la adopción está fragmentando la organización internamente (7).
La implicación práctica es directa: cuando un colaborador copia información de clientes, contratos o procesos propietarios en un modelo externo sin acuerdo de no entrenamiento, esa información sale de la empresa (10). No de forma técnicamente ilegal para ese empleado, pero sí con consecuencias reales: pérdida de confidencialidad, exposición de secretos comerciales y, en algunos marcos regulatorios latinoamericanos, responsabilidad legal para la organización.
Pilar 2: El fallo que le costó US$25 millones a Arup no fue tecnológico. Fue de proceso.
En 2024, un empleado de la firma de ingeniería Arup en Hong Kong transfirió US$25 millones, luego de participar en una videollamada donde vio y escuchó a su director financiero junto a otros colegas. Todos eran generados por inteligencia artificial en tiempo real (3). No hubo hackeo. No hubo código malicioso. Solo una videollamada convincente y un proceso interno que autorizaba transferencias sin verificación por canal independiente.
Este caso no es excepcional. Los ataques de voz generada con IA (3) aumentaron un 442% en 2024 (3). El volumen de deepfakes creció un 245% ese mismo año (4), y las pérdidas globales por fraude relacionado con IA podrían alcanzar los US$40.000 millones anuales en 2027 (5). En Ferrari, un caso similar terminó diferente: el empleado hizo una pregunta que la IA no pudo responder y abortó la transferencia.
La diferencia entre Arup y Ferrari no fue tecnología de detección. Fue un protocolo humano.
La implicación para cualquier CEO es inmediata: el control no puede estar dentro del modelo de IA. Tiene que estar afuera, en el proceso.
- Verificación por canal alternativo antes de ejecutar cualquier instrucción financiera o estratégica recibida por medios digitales.
- Separación de funciones: quien solicita no aprueba, quien aprueba no ejecuta.
- Límite de monto para acción unilateral.
Ninguna de estas medidas cuesta un dólar en tecnología.
Pilar 3: Anonimizar datos no es proteger datos. Y esa diferencia tiene nombre en los tribunales.
La mayoría de las empresas que maneja datos de clientes asume que anonimizar equivale a proteger. No es así. La reidentificación —recuperar la identidad de una persona a partir de datos supuestamente anónimos— es hoy técnicamente accesible y legalmente relevante. Un tribunal en Buenos Aires determinó que un sistema de reconocimiento facial que procesaba «solo fotos» generaba de hecho datos biométricos al convertirlas en perfiles matemáticos (9) El formato cambió; con él, la naturaleza jurídica del dato.
El mecanismo es preciso: edad + código postal + diagnóstico médico, tres campos que parecen inofensivos, pueden identificar a una persona entre miles al cruzarse con fuentes externas (8). Y los datos que son seguros hoy pueden dejar de serlo mañana, cuando aparezca una nueva base de datos pública que complete los huecos.
La implicación para decisiones ejecutivas tiene tres dimensiones:
Primero, el principio de minimización: antes de implementar cualquier sistema de IA, definir qué dato habilita qué decisión. Si un dato no habilita ninguna, no debe recolectarse.
Segundo, la responsabilidad del controlador: Cuando una empresa en LATAM envía datos de clientes a un proveedor externo de IA sin contrato que establezca quién es procesador y quién es controlador, la responsabilidad legal es de la empresa, no del proveedor(10). Tercero, la política de retención: datos médicos, biométricos y financieros tienen plazos mínimos obligatorios bajo la Ley 25.326 en Argentina y la LGPD en Brasil. Guardar datos más tiempo del necesario no es precaución: es riesgo acumulado.
En LATAM, la regulación avanza más rápido que la conciencia ejecutiva. La empresa que hoy no tiene esta arquitectura definida no está «en proceso de cumplir»: está acumulando pasivo legal.
Pilar 4: El sesgo del modelo puede convertirse en discriminación con nombre de empresa.
Un modelo de IA que funciona bien en promedio puede perjudicar sistemáticamente a grupos específicos. No por falla técnica, sino por diseño. Un sistema de scoring crediticio que usa código postal como variable puede estar usando un *proxy* de nivel socioeconómico sin que nadie en la organización lo haya decidido conscientemente. Si ese modelo aprueba o niega créditos, contrataciones o beneficios, el sesgo técnico se convierte en discriminación concreta.
El riesgo no es solo ético. Una fintech mexicana que en 2024 sufrió una filtración de datos de 200.000 usuarios perdió el 22% de su base de clientes en tres meses y fue sancionada por el INAI (6). El daño reputacional, según el mismo reporte, persiste más de un año en el 45% de los casos en la región.
La regla práctica para cualquier equipo antes de lanzar un sistema de IA con impacto en personas:
- ¿Quién puede ser perjudicado si el modelo se equivoca?
- ¿Hay un responsable con nombre y apellido —no un equipo genérico— para cada riesgo identificado?
- ¿Existe un control medible y verificable, no solo una intención documentada?
Si alguna de las tres no tiene respuesta clara, el sistema no está listo para producción.
La IA no es el problema. La ausencia de gobierno es el problema. Y el gobierno no es una política de TI: es una decisión ejecutiva que define qué puede hacer la organización, quién responde cuando algo falla y qué evidencia existe de que los controles funcionan.
Tres acciones para ejecutar esta semana:
- Hacer el inventario de Shadow AI en 48 horas. Preguntar a los líderes de cada área qué herramientas de IA usa su equipo hoy, con o sin aprobación formal. El resultado será incómodo. También será el punto de partida real.
- Revisar un proceso financiero crítico contra el protocolo de deepfake. Elegir la operación de mayor monto que hoy se puede autorizar por una sola persona a través de medios digitales. Definir hoy: ¿cuál es el canal de verificación independiente? ¿Quién es la segunda firma? Esto se implementa esta semana, no requiere tecnología.
- Designar un responsable de riesgos de IA con nombre y apellido. No un comité. No TI en abstracto. Una persona que responde por los sistemas de IA que la empresa usa, con capacidad de pausar un sistema si el riesgo supera el control disponible.
La pregunta incómoda de autoevaluación: Si mañana un empleado de su empresa comparte sin querer información de clientes en un chatbot público, ¿usted lo sabría? ¿Y sabría exactamente quién responde?
FUENTES
- Kaspersky, «Estudio de fugas de datos confidenciales en LATAM», 2024 — dato: 42% de empresas en la región ha sufrido fugas en los últimos dos años. *(No se pudo verificar URL directa; citado en:* https://itwarelatam.com/2026/02/18/mas-del-40-de-las-empresas-en-latinoamerica-ya-ha-sufrido-fugas-de-datos-en-medio-del-avance-de-nuevas-leyes-de-proteccion-de-informacion/ *)*
- IBM/Ponemon Institute, «Cost of a Data Breach Report 2025» — costo promedio US$2,51M en LATAM; 316 días para detección y contención. https://dplnews.com/ibm-ia-y-automatizacion-en-seguridad-recortan-perdidas-por-ciberataques/
- CNN, mayo 2024 / CrowdStrike Global Threat Report 2025 — caso Arup Hong Kong US$25M; aumento 442% en vishing con IA. Citado en: https://www.javadex.es/blog/deepfakes-empresa-como-protegerse-fraude-ia-2026 y https://mybusinessfuture.com/es/llamada-deepfake-del-jefe-el-fraude-ceo-en-la-mediana-empresa/
- Sumsub, «Identity Fraud Report», 2024 — crecimiento 245% en deepfakes; 180% en fraude sofisticado. Citado en: https://inversorlatam.com/los-deepfakes-aumentan-484-y-ponen-en-riesgo-a-las-empresas/
- Deloitte, proyección 2027 — pérdidas globales por fraude con IA: US$40.000M anuales. Citado en: https://ecosistemastartup.com/deepfakes-2026-4-acciones-para-proteger-tu-startup-del-fraude-con-ia/
- Bloka, «El costo invisible de los ciberataques en LATAM», 2025 — fintech mexicana: pérdida 22% clientes; impacto reputacional > 1 año en 45% de casos. https://bloka.red/blog/ciberataques-latam/
- Infobae / encuesta ejecutiva global, 2026 — 75% de ejecutivos con estrategia de IA «para mostrar»; caída de confianza de empleados del 47% al 31%. https://www.infobae.com/estados-unidos/2026/04/30/los-empleados-ya-decidieron-que-ia-utilizan-en-sus-empresas-mientras-los-directorios-aun-siguen-debatiendolo/
- *Science* (Sweeney, L.), 2000 — investigación fundacional sobre reidentificación con tres atributos. Marco histórico declarado; no de los últimos 24 meses. https://storage.ghost.io/c/d5/17/d517bf5e-0944-433c-a10e-1dfe572602c5/content/files/projects/identifiability/paper1.pdf
- Tribunal de Buenos Aires — caso sistema de reconocimiento facial y datos biométricos. Fuente: contenido del curso «Uso Ético de la IA» (material primario de este artículo).
- Ley 25.326 (Argentina) y LGPD (Brasil) — marcos regulatorios vigentes de protección de datos personales. Fuentes primarias: legislación oficial. https://servicios.infoleg.gob.ar/infolegInternet/anexos/60000-64999/64790/texact.htm y https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm
¿Estás listo para dejar la reacción y pasar a la dirección?
Agenda una sesión estratégica gratuita
Rediseña tu sistema de ejecución y enfoca tu empresa en lo que realmente genera crecimiento.
Autora: Madeleine Silva | ? OKR Coach y Fundadora de Resultados 360 |OKR Coach, MBA, PMI ACP, PMS
