# Auditoría Inteligente

Sitio web de noticias y articulos de interés para el auditor moderno y aquellos interesados en lograr aseguramiento de manera efectiva.

- Site: https://auditoriainteligente.com/

## Regulación de IA en LATAM: qué debe poder demostrar

- Link: https://auditoriainteligente.com/regulacion-ia-latam-que-debe-poder-demostrar/
- Published: 2026-10-22T00:46:59-04:00
- Author: Christian Vargas

**TL;DR**

Aunque la mayoría de los países latinoamericanos carece de una ley explícita de 
inteligencia artificial, la tecnología ya está regulada mediante normativas dispersas.
Leyes de datos personales, consumo, ámbito laboral, ciberseguridad y supervisión
bancaria exigen rendición de cuentas, explicabilidad y gestión de riesgos en sistemas
automatizados.

Las organizaciones deben identificar sus obligaciones legales locales e internacionales
y documentar sus usos de inteligencia artificial. Preparar evidencias sobre inventario
de modelos, evaluación de impacto, supervisión humana y criterios de clasificación
permite mitigar riesgos normativos y contractuales antes de que se aprueben nuevas
legislaciones específicas.

A inicios de 2023, cuando la mayoría apenas estaba descubriendo ChatGPT, la Superintendencia
de Banca, Seguros y AFP de Perú publicó un reglamento de gestión de riesgos de modelo.
No se llamaba "ley de IA". Aun así, ya exigía algo que hoy suena a vanguardia: que
los modelos construidos con técnicas de inteligencia artificial pasen pruebas de
interpretabilidad, y que la empresa responda plenamente por los modelos de sus proveedores(
[Res. SBS 00053-2023](https://busquedas.elperuano.pe/dispositivo/NL/2141173-1)).

Cuando preguntamos "¿qué ley de IA tenemos en nuestro país?", la respuesta corta
suele ser "ninguna todavía". La respuesta útil es otra: la IA ya está regulada, 
_solo que no en un solo lugar_. Se reparte entre la ley de datos, la circular del
supervisor, el código de consumo, la reforma laboral y el contrato, a veces, con
un cliente extranjero. A esto vamos a llamarle el **Reglamento Disperso**.

Hemos recorrido un buen trecho en esta serie. En la [Parte 1](https://auditoriainteligente.com/distorsion-o-valor-que-hace-realmente-la-ia/)
separamos la distorsión del valor; en la [Parte 2](https://auditoriainteligente.com/auditar-la-promesa-que-exigir-antes-de-comprar-ia/),
lo que conviene exigir antes de firmar con un proveedor; en la [Parte 3](https://auditoriainteligente.com/auditoria-ia-beneficios-shadow-ai-comite/),
cómo medir la IA que ya usamos, incluida la que entró sin pedir permiso. Faltaba
la pregunta que llega desde afuera: cuando alguien con autoridad pida pruebas, ¿
qué vamos a poder mostrar?

## ¿Dónde está escrita hoy la regulación de la IA?

Si una herramienta decide, perfila o atiende a personas, casi seguro ya hay una 
norma que la alcanza, aunque no mencione la palabra "algoritmo". En la región, suele
estar en cuatro cajones.

**Datos personales.** Es el cajón más grande de todos. En Chile, la [Ley 21.719](https://bcn.cl/gJo3hf)
se aplicará a partir del 1 de diciembre de 2026 y otorga derecho a oponerse a decisiones
tomadas únicamente sobre la base de un tratamiento automatizado; exige explicación,
intervención humana y revisión cuando procedan. En Brasil, la [LGPD ](https://www.planalto.gov.br/ccivil_03/_ato2015-2018/2018/lei/l13709.htm)
permite solicitar la revisión de esas decisiones y conocer los criterios empleados,
y la autoridad puede auditar aspectos discriminatorios. Colombia (Circular 002 de
2024 de la SIC), México (ley de 2025) y El Salvador (ley de 2024) siguen la misma
línea. En Guatemala no existe una ley de datos personales, lo cual no es igual a
libertad: sus clientes y socios de otros países sí cuentan con esa legislación.

**Consumo.** Un chatbot no exime de la obligación de informar. En 2025, la SIC de
Colombia [recordó la práctica](https://www.bu.com.co/es/insights/noticias/sic-emite-recomendaciones-sobre-uso-de-ia-por-call-centers),
al referirse al uso de IA en centros de contacto, de acuerdo con análisis de despachos
locales. En Brasil, el [decreto de atención al cliente](https://planalto.gov.br/ccivil_03/_Ato2019-2022/2022/Decreto/D11034.htm)
de los servicios regulados (bancos, telecomunicaciones, aerolíneas, entre otros)
[obliga ](https://planalto.gov.br/ccivil_03/_Ato2019-2022/2022/Decreto/D11034.htm)
a tener atención humana por lo menos ocho horas al día. La PROFECO incluyó la IA
y los algoritmos dentro de su [programa 2026-2030](https://www.legal500.com/developments/press-releases/profeco-institutional-program-2026-2030-compliance-takeaways-for-companies-operating-in-mexico/).

**Trabajo.** Desde 2025, México exige a las plataformas digitales una “política 
de gestión algorítmica” para explicar la asignación de tareas y evitar la discriminación(
[LFT, art. 291-J](https://mley.mx/LFT/articulo/291-j/)). Con la Ley 21.431, Chile
prohíbe la discriminación algorítmica en plataformas. El [reglamento peruano de IA](https://www.gob.pe/110224-conoce-el-reglamento-de-la-ley-de-inteligencia-artificial-en-el-peru)
considera de alto riesgo a los sistemas de selección, evaluación y despido de personal,
independientemente del sector.

**Ciberseguridad.** Una fuga de datos de entrenamiento se reporta por la ley de 
ciberseguridad (como la [21.663 de Chile](https://bcn.cl/3isi2)), no por una ley
de IA.

La ausencia de una ley de IA no es ausencia de reglas; **es ausencia de un índice**.

## Si somos banca o seguros: el supervisor llegó antes

En el sector regulado, casi nunca hace falta una ley nueva para que alguien se pregunte
por la IA. Los riesgos de modelos, riesgo tecnológico y tercerización, están ya 
cubiertos por las normas.

El caso peruano de apertura es el más explícito, pues llega a bancos y aseguradoras
con inventario de modelos, validación y con un comité de riesgo de modelo. En Colombia,
la Superintendencia Financiera señaló que el [31 % de sus entidades emplean IA](https://www.superfinanciera.gov.co/publicaciones/10115904/retos-y-oportunidades-del-sistema-financiero-la-vision-de-la-sfc/),
principalmente en riesgo de crédito, y ya han publicado estudios sobre scoring alternativo.
En Brasil, el Banco Central ya advirtió, allá por 2026, sobre el [riesgo de concentración](https://www.letsmoney.com.br/noticias/bc-risco-concentracao-fornecedores-ia/)
cuando muchas instituciones dependen del mismo proveedor de IA, un tema que ya tocamos
cuando hablamos de [vendor lock-in](https://auditoriainteligente.com/vendor-lock-in-el-caballo-de-troya-de-la-innovacion-acelerada-en-ia/).

Más cercano a Centroamérica y al Caribe, el enfoque llega por la vía de la tecnología.
Guatemala cuenta con el reglamento de riesgo tecnológico ([JM-104-2021](https://banguat.gob.gt/sites/default/files/banguat/Publica/Res_JM/2021/Res_JM-104-2021.pdf));
Costa Rica, con el [reglamento de gestión de TI del CONASSIF](https://www.sugef.fi.cr/informacion_relevante/manuales/manual_sicveca/020ReglaGTI.aspx);
El Salvador, con las [normas técnicas de seguridad de la información del BCR](https://ssf.gob.sv/descargas/upload/NRP-32.pdf?v=1676879161);
y República Dominicana, con un [reglamento de seguridad cibernética](https://sb.gob.do/media/dtydqoiv/20181101_segunda-resolucion_reglamento_seguridad_cibernetica_de_la_informacion.pdf)
que exige requisitos de ciberseguridad en los contratos con terceros y una política
documentada para el uso de la nube. No hay nadie que nombre la IA; sin embargo, 
todos alcanzan a quien la provee.

Para un banco o una aseguradora, el inventario de IA de la Parte 3 no parte de cero:
es el inventario de modelos con nuevas entradas. La pregunta del supervisor no será
si usan IA, sino si está en su inventario, quién la validó y quién responde por 
el modelo del proveedor. Un modelo comprado sigue siendo nuestro modelo; el proveedor**
firma el contrato, no la responsabilidad.**

## ¿Y si nadie nos supervisa?

Pongamos por caso una maquiladora de ropa en una zona franca de El Salvador o de
la República Dominicana. Utiliza inteligencia artificial para preseleccionar a los
operarios y para revisar las costuras, y ningún supervisor local le ha preguntado
sobre ello. Un día recibe de su cliente europeo un cuestionario de proveedores. 
Tres preguntas: ¿utilizan IA para tomar decisiones sobre personas?, ¿pueden explicarlas?,¿
quién las revisa?

No se trata de un capricho. El [Reglamento Europeo de IA](https://eur-lex.europa.eu/eli/reg/2024/1689/spa)
se aplica a proveedores y usuarios de terceros países, cuando el resultado del sistema
se utiliza en la Unión. La propia UE retrasó a 2026 las obligaciones de alto riesgo,
como empleo o crédito, hasta diciembre de 2027 ([Reglamento 2026/1744](https://eur-lex.europa.eu/eli/reg/2026/1744/oj?locale=en)),
pero las preguntas llegan antes por vía contractual. El regulador más estricto de
un exportador no siempre está en su país, **a veces está en la orden de compra**.

El mismo patrón se repite en otros sectores que no cuentan con supervisor propio:

 * En el **sector minorista**, los precios dinámicos, los programas de fidelidad
   que realizan perfiles de los clientes y los chatbots de atención al cliente entran
   de lleno en la normativa de protección de datos y en la de consumo.
 * En **la agroindustria,** a partir del 30 de diciembre de 2026, el [reglamento europeo contra la deforestación](https://www.arendt.com/news-insights/news/eudr-simplification-review-published-what-the-2026-package-means-for-in-scope-companies/)
   obliga a demostrar con geolocalización de dónde provienen los envíos de café,
   cacao o palma. No es una norma de IA, pero si la trazabilidad la construye una
   plataforma con imágenes satelitales y modelos de terceros, auditar el cumplimiento
   es auditar esa cadena de datos.
 * Para los proveedores de servicios tecnológicos y nearshore, quien desarrolla 
   sistemas para clientes en Europa puede ser “proveedor” a efectos del reglamento
   europeo, con obligaciones propias.

## Lo que sí dice "inteligencia artificial"

Hay unas pocas normas que nombran directamente a la IA. De los países más grandes,
el único reglamento de IA con obligaciones para privados y plazos en marcha es el
de Perú ([DS 115-2025-PCM](https://www.gob.pe/institucion/pcm/normas-legales/7133522-115-2025-pcm)).
Los sistemas se clasifican por riesgo, la evaluación crediticia y la gestión de 
personal entran en la zona de riesgo alto y se pide registro, transparencia y supervisión
humana que detenga o corrija una decisión. Su calendario es escalonado y comenzó
por finanzas, salud y educación. También recomienda, como referencia, las normas
ISO/IEC 42001 e ISO/IEC 38507 ya vistas en esta serie.

Desde 2025 El Salvador cuenta con una ley de fomento, más orientada a promover que
a controlar. El resto está tramitándose: El Brasil está esperando la aprobación 
de su Cámara de Diputados, el Chile lo hace con su Senado, el Senado dominicano 
fusionó dos proyectos en septiembre de 2026 y Colombia, Costa Rica, México, Argentina
y Guatemala tienen iniciativas acumuladas.

Los textos más avanzados son bastante similares entre sí: clasificación por riesgo,
evaluación de impacto, transparencia y supervisión humana. Es una lectura nuestra,
no una armonización formal; pero prepararse para una ayuda con todas.

## ¿Ok, y ahora qué hacemos?

![](https://auditoriainteligente.com/wp-content/uploads/2026/10/imagen_4.2_libreta-
1024x579.png)

No tratemos de leernos todo. Lo que yo propongo es invertir la lógica: partir de
lo que la organización debe poder demostrar, independientemente del país en el que
esté.

**Este mes.** Que Cumplimiento y Legal nos envíe un mapa del Reglamento Disperso:
una página por país donde hacemos operaciones, con los cajones que le aplican (datos,
sector, consumo, trabajo, ciberseguridad, clientes del extranjero) y la fecha de
revisión. Que alguien local lo confirme; _este artículo no es asesoría legal_.

**Este trimestre.** Hagamos cruce de ese mapa con el inventario de IA de la Parte
3. Los usos que se deciden sobre las personas (crédito, empleo, precios, atención
al cliente) son la zona sensible de casi cualquier texto, actual o futuro.

**Antes del próximo comité.** Para cada uso delicado, tengamos a mano seis evidencias:

 1. Que el sistema está en inventario, incluida la IA embebida en otras herramientas.
 2. El criterio por el cual se clasificó su riesgo.
 3. Una evaluación de impacto documentada, si bien todavía voluntaria.
 4. Cómo explicar una decisión y quién la puede revisar o revertir.
 5. Registros de datos, versiones y cambios del proveedor con las cláusulas que pedimos
    en la Parte 2.
 6. Con qué información, cuándo y quién aceptó el riesgo.

Si alguna de esas evidencias no está, el hallazgo no es regulatorio; es de gobernanza.

## Lo que queda al cerrar la serie

En la primera parte de esta serie nos preguntábamos si la IA distorsiona o aporta
valor y ahora, en la última parte, vamos a ver qué podemos demostrar. Las cuatro
partes, en el fondo, preguntaron lo mismo desde cuatro ángulos: ¿de qué evidencia
disponemos?

Las leyes de IA van a llegar a ritmos distintos y con textos distintos. La organización
que ya puede inventariar, clasificar, explicar y reportar, no tiene que esperarlas,
estará lista para la primera que llegue. No se trata de adivinar qué va a ser la
próxima ley, sino de poder demostrar lo que ya hacemos con la IA.

¿Te atreves a pedir esta semana una sola cosa: la lista de decisiones automatizadas
que hoy afectan a clientes o empleados, país por país? Si cuesta montarla, ya sabemos
por dónde empezar.

_Y como sin buenos datos no hay IA que se pueda auditar, lo que viene es una nueva
serie sobre gobernanza de datos: por dónde empezar y cómo auditarla._ _Síganos para
las siguientes publicaciones y/o novedades de [Auditoría Inteligente AICS](https://auditoriainteligente.com)._

## Auditar el entusiasmo: qué medir en la IA que ya usamos

- Link: https://auditoriainteligente.com/auditoria-ia-beneficios-shadow-ai-comite/
- Published: 2026-10-12T00:13:38-04:00
- Author: Christian Vargas

**TL;DR**

Evaluar el impacto de la inteligencia artificial requiere medir resultados reales
y no solo el número de usuarios activos. Las organizaciones deben definir líneas
base, asignar responsables de beneficios e inventariar tanto los proyectos formales
como las herramientas integradas para garantizar una gobernanza efectiva.

El uso no autorizado de herramientas públicas de inteligencia artificial genera 
riesgos significativos de seguridad. Para mitigar esto, la auditoría debe evaluar
el uso no aprobado, promover alternativas formales y presentar métricas consolidadas
a los comités directivos para respaldar decisiones de inversión y control de riesgos.

Enero en un gimnasio: filas en el mostrador, tarjetas de socio por docenas, el torniquete
girando sin descanso. El dueño está feliz con las inscripciones. Pero el torniquete
solo cuenta quién entró, no quién se puso en forma. Y si algunos socios ya llegan
con sus propias pesas desde casa, sin que nadie las haya revisado, el dueño ni siquiera
sabe qué se está levantando bajo su techo.

Con la IA dentro de la organización pasa algo muy parecido. En la [Parte 1](https://auditoriainteligente.com/distorsion-o-valor-que-hace-realmente-la-ia/)
vimos cómo se distorsiona el discurso; en la [Parte 2](https://auditoriainteligente.com/auditar-la-promesa-que-exigir-antes-de-comprar-ia/),
cómo auditar lo que nos venden. Hoy miramos hacia adentro.

## Contar entradas no es medir resultados

“Tenemos 8,000 usuarios activos” es la frase del torniquete. Dice cuánta gente entró,
no si alguien ganó algo. Es primo hermano de lo que describimos en el [efecto sandía](https://auditoriainteligente.com/efecto-sandia-en-auditoria-por-que-un-plan-en-verde-puede-ocultar-riesgos/):
verde por fuera (licencias activadas, consultas al día), rojo por dentro (nadie 
sabe si se redujo un costo o un tiempo de ciclo).

Los marcos de gobierno llevan tiempo señalando esta brecha. [COBIT](https://www.isaca.org/resources/cobit)
pone la realización de beneficios como uno de los tres resultados del gobierno de
TI, y dedica un objetivo completo a asegurarla: fijar la mezcla de inversiones, 
evaluar si el valor se está logrando, dirigir con criterios y compuertas de decisión(
_stage gates_) y monitorear con métricas balanceadas. Entre las métricas de ejemplo
que propone aparecen el porcentaje de beneficios declarados en el caso de negocio
que realmente se cumplen y el porcentaje de iniciativas donde el valor se gestiona
durante todo el ciclo de vida. COBIT considera también retirar lo que no genera 
valor suficiente.

La [guía de gestión de la realización de beneficios del PMI](https://www.pmi.org/standards/benefits-realization)
añade dos ideas que le sirven mucho al auditor. Primera: Un proyecto puede cumplir
en tiempo, costo y alcance y _aun así no realizar los beneficios planeados_. Segunda:
La guía incluye, al final del ciclo, auditar que los beneficios se hayan realizado,
y asigna a cada beneficio un dueño responsable de medirlo. Las métricas, dice, no
tienen que ser exactas, pero sí definirse desde temprano y servir también para saber
cuándo conviene detener la inversión.

### El escenario de riesgo (hipotético)

Una aseguradora celebra el piloto de un asistente para analistas de reclamos: 8,000
consultas en el primer mes. El comité aprueba pasar a producción y ampliar licencias.
Nadie midió cuánto tardaba un analista antes, ni quién es el dueño del beneficio,
ni qué resultado justificaba la ampliación. Un año después, el gasto se duplicó 
y nadie puede demostrar un ahorro.

### El foco del auditor

Preguntemos, antes de cada ampliación: ¿cuál es la línea base?, ¿quién es el dueño
del beneficio?, ¿qué métrica de resultado (no de uso) lo demuestra? y ¿qué compuerta
decide pasar del piloto a producción, o detenerse? Si la respuesta es “usuarios 
activos”, tenemos un torniquete, no un resultado.

## ¿Qué hay realmente en el edificio?

![Plano de un edificio donde las salas registradas muestran servidores, bases de
datos y chips de IA, y otras sin registrar envían datos hacia una nube externa.](
https://auditoriainteligente.com/wp-content/uploads/2026/10/imagen_3.2_plano-datos-
1024x579.png)

GPT 2.5 / Auditoría Inteligente

Antes de medir el valor, hay que saber qué existe. Un gimnasio serio conoce a sus
socios, sus máquinas y sus salas. En IA, el [AI RMF del NIST](https://doi.org/10.6028/NIST.AI.100-1)
pide mecanismos para inventariar los sistemas de IA (GOVERN 1.6), y la [ISO/IEC 38507](https://www.iso.org/standard/56641.html),
sobre las implicaciones del uso de IA para el gobierno, recuerda que una organización
puede estar ya usando IA en sus operaciones diarias (buscadores, aplicaciones de
productividad), _sin haberlo decidido formalmente_. También pide al órgano de gobierno
mecanismos de supervisión y disposición a modificar o abortar proyectos cuando haga
falta.

### El escenario de riesgo (hipotético)

El inventario de IA de una financiera lista tres proyectos aprobados. Sin embargo,
la suite de productividad que usan todos ahora incluye un asistente que resume correos,
una herramienta de reuniones que transcribe y resume llamadas con clientes, y un
área que compró por tarjeta corporativa un complemento “con IA”. _Nada de eso figura
en el inventario_, ni en el de terceros que revisamos en la Parte 2.

### El foco del auditor

Un inventario que parte de los proyectos aprobados es el inventario de los que se
portaron bien. Ampliemos la búsqueda: incluyamos IA embebida en herramientas existentes,
compras con tarjeta, extensiones y cuentas personales. Para cada caso, un responsable,
los datos que toca y su criticidad. El inventario no es un trámite: **es la base
de todo lo demás.**

## Las pesas que se traen de casa

Algunos socios traen sus propias pesas porque las del gimnasio no alcanzan, o porque
hacen más rápido lo que necesitan. Con la IA ocurre lo mismo; rara vez es mala fe:
es productividad sin permiso. Y los números sugieren que no es marginal, sino que
son cifras globales, y no vemos razón para suponer que en América Latina sea distinto:
las herramientas son las mismas, los incentivos también.

 * **KPMG y la Universidad de Melbourne**, en su [estudio global sobre confianza y uso de IA](https://mbs.edu/-/media/PDF/Research/Trust_in_AI_Report.pdf)(
   2025), reportan que casi la mitad de los empleados encuestados admite usar IA
   de maneras que contravienen las políticas de su organización, y casi la mitad
   dice haber subido información sensible de la empresa a herramientas públicas.
   Argentina, Brasil, Chile, Colombia, Costa Rica y México están entre los países
   participantes en este este estudio, así que Latinoamérica no fue excluido del
   mismo.
 * **IBM**, en su [informe sobre el costo de las brechas de datos 2026](https://www.ibm.com/reports/data-breach),
   indica que los incidentes que involucran _shadow AI_ pasaron de 20 % a 43 % frente
   al año anterior, con un costo promedio de USD 5,39 millones (vs. 4,63 millones
   el año anterior). Además, el 68% de las organizaciones que sufrieron brechas **
   no tenía gobernanza de IA para gestionarla o detectar _shadow AI_**. Un matiz:
   la muestra son organizaciones que ya vivieron una brecha, no todas las empresas.

Prohibir sin ofrecer una alternativa es como cerrar la sala de pesas y esperar que
nadie haga entrenamiento; la experiencia dice que el uso se pasa a la sombra. Lo
más útil es combinar política clara, alternativa aprobada que sirva, capacitación
y detección. Y si la organización decide convivir con un nivel superior a la tolerancia,
que sea una decisión formal: la [Norma 11.5 del IIA](https://www.theiia.org/en/standards/2024-standards/global-internal-audit-standards/)
exige al Director de Auditoría comunicar a la Alta Dirección (y elevar al Consejo
si no se resuelve) la aceptación de un riesgo superior a la tolerancia, documentando
el riesgo, los motivos de la Dirección, quién lo acepta y la fecha. De hecho, el
_shadow AI_ no gestionado **es un riesgo aceptado y** **nadie lo ha firmado**.

### El escenario de riesgo (hipotético)

Un analista de crédito, apurado para terminar un informe, pega en un asistente público
las cifras de un cliente y un dictamen preliminar. Le sirvió: ganó dos horas. Pero
la herramienta no estaba homologada, no hay contrato que limite el uso de esos datos,
y nadie sabrá lo que ha pasado hasta que el cliente pregunte.

### El foco del auditor

Cambiamos el enfoque: el tráfico a herramientas no autorizadas de IA, los incidentes,
las excepciones, y cuánto uso pasa por los canales autorizados. Si hay alternativa
y política, preguntemos si sirven; si no las hay, que quede como riesgo. Para profundizar,
ver nuestro artículo sobre [la brecha de gobernanza en IA](https://auditoriainteligente.com/la-brecha-de-gobernanza-en-ia-el-riesgo-que-muchas-empresas-pasan-por-alto/).

## Qué llevar al comité (y cómo)

El entrenador no le entrega al dueño la lista de visitas, le entrega el progreso
de cada socio respecto a su punto de partida. El comité necesita lo mismo. La [Norma 11.1 del IIA](https://www.theiia.org/en/standards/2024-standards/global-internal-audit-standards/)
recomienda acordar con el Consejo y la Alta Dirección cuáles son los temas significativos,
así como su formato, contenido y frecuencia. Proponemos que una de ellas sea “IA”
y que quede reflejado por escrito en el acuerdo.

Un tablero breve, de una página, podría incluir:

 1. **Inventario:** casos de uso por criticidad y qué porcentaje está completo.
 2. **Uso aprobado frente a no aprobado,** y su tendencia.
 3. **Beneficios realizados frente a planeados,** por caso, con dueño y línea base.
 4. **Incidentes y excepciones** relacionados con IA.
 5. **Riesgos aceptados,** con responsable y fecha.
 6. **Decisiones pendientes** para el comité: continuar, ajustar o detener.

Menos hojas, más impacto: nuestro artículo sobre [informes que nadie lee en la gerencia](https://auditoriainteligente.com/menos-hojas-mas-impacto-como-evitar-enviar-informes-que-nadie-lee-en-la-gerencia/)
aplica aquí al pie de la letra. El objetivo no es informar, es habilitar una decisión.

## Conclusión

Un gimnasio repleto no es un gimnasio saludable. Que la IA entusiasme es bueno, 
pero no es el resultado. Auditarlo es pasar de contar entradas a medir progreso,
de suponer el inventario a descubrirlo, de ignorar las pesas de casa a decidir, 
con firma, qué hacemos con ellas.

No se trata de apagar el entusiasmo, sino de **darle evidencia**.

_El siguiente artículo, **Regulación de IA en LATAM: qué debe poder demostrar**:
cada barrio tiene su propio reglamento. Veremos cómo la protección de datos y la
regulación de IA que se está gestando en la región cambian lo que la organización
debe poder demostrar._

## Auditar la promesa: qué exigir antes de comprar IA

- Link: https://auditoriainteligente.com/auditar-la-promesa-que-exigir-antes-de-comprar-ia/
- Published: 2026-10-06T00:34:26-04:00
- Author: Christian Vargas

**TL;DR**

Cuando una organización compra inteligencia artificial, no compra solo una herramienta:
invita a un tercero (y a los terceros de ese tercero) a su perfil de riesgo. Desde
el 15 de septiembre de 2026, el [Requisito Temático sobre Terceras Partes](https://www.theiia.org/en/standards/2024-standards/topical-requirements/third-party/)
del IIA es obligatorio en los trabajos de aseguramiento cuando el riesgo supera 
el umbral. No habla de IA, pero nos da el piso para auditarla.

Proponemos un método en cuatro pasos: saber qué compramos y a quién, probar con 
nuestros propios datos, asegurar por contrato que podremos verificar y leer con 
lupa el alcance de los sellos. Al final, ocho preguntas para llevar a la mesa con
el proveedor.

Nadie compra un automóvil usado por el brillo de su pintura, ni solo por el certificado
de agencia. Lo conduce por su propio camino, solicita el historial de mantenimiento
y discute qué ocurrirá si presenta fallas durante el primer mes. Con la IA solemos
hacer lo contrario: validamos tras una impecable demostración y un buen sello en
la presentación.

Y es probable que alguien en el comité diga: _"Nosotros ya auditamos proveedores.¿
Qué cambia cuando el tercero es una IA?"_ Cambia bastante. La base ya la recorrimos
en nuestra serie sobre tercerización ([gobernanza](https://auditoriainteligente.com/maximizando-el-valor-en-la-tercerizacion-de-servicios/),
[pruebas de control](https://auditoriainteligente.com/pruebas-de-control-en-la-tercerizacion-el-desafio-tactico/)
y [analítica](https://auditoriainteligente.com/analisis-de-datos-e-ia-en-gestion-de-riesgos-de-terceros/)).
Aquí nos centramos en la novedad: un servicio que puede cambiar de comportamiento
sin que cambie el contrato.

En la [Parte 1](https://auditoriainteligente.com/distorsion-o-valor-que-hace-realmente-la-ia/)
vimos cómo el espejo de feria distorsiona el discurso, el consumo y la escalada.
Toca cambiar la sospecha por método. Para ser sinceros, [ISACA reconoce](https://www.isaca.org/about-us/newsroom/press-releases/2024/audit-and-assurance-guidance-for-the-nist-cybersecurity-framework-2-0-and-artificial-intelligence)
que todavía no hay una forma estandarizada de auditar IA. Es por ello que combinamos
_normas de auditoría, de control interno y de gestión de riesgos de IA_.

## Saber qué compramos (y a quién)

![Cajas anidadas que representan a la organización, su proveedor y el modelo de 
IA detrás, iluminadas por una lupa.](https://auditoriainteligente.com/wp-content/
uploads/2026/10/imagen_2.1-matrioshka-1024x579.png)

El Requisito de Terceras Partes del IIA establece una base mínima que el auditor
debe revisar: debida diligencia, inventario completo y actualizado de terceros, 
monitoreo continuo que compruebe la fiabilidad de lo que informa el proveedor y 
plan de salida para devolver o destruir nuestros datos. Y no se detiene en el proveedor
directo, sino que llega hasta sus subcontratistas (terceros descendentes, o _downstream_),
priorizados de acuerdo al riesgo.

Dos aclaraciones: El [texto obligatorio](https://www.theiia.org/globalassets/site/standards/topical-requirements/third-party/third_party_topical_requirement_spanish.pdf)
no habla de IA; es la [Guía del Usuario](https://www.theiia.org/globalassets/site/standards/topical-requirements/third-party/third_party_tr_user_guide_spanish.pdf),
no obligatoria, la que la menciona al hablar de políticas y monitoreo. Según la 
[Guía de Aplicación de los Requisitos](https://www.theiia.org/globalassets/site/standards/topical-requirements/topical_requirements_application_guidance_english.pdf),
el requisito aplica cuando el tema está en el plan de auditoría, surge durante un
trabajo o se solicita, y el riesgo supera el umbral establecido.

Una lectura que es nuestra, no del IIA: el proveedor de modelos que está detrás 
de nuestro proveedor es ese tercero descendente.

### El escenario de riesgo (hipotético)

Un banco regional estrena asistente de atención al cliente “con IA” a bombo y platillo.
Su inventario de terceros registra al proveedor, contrato, criticidad y responsable.
Lo que no tiene registrado es que ese proveedor consume un modelo de otra empresa,
en otro país. Seis meses después, la misma empresa modifica sus condiciones sobre
el uso de los datos que recibe. Para el banco el contrato es el mismo; no lo es 
para los datos de sus clientes.

### El foco del auditor

Vamos a solicitar primero la arquitectura y la lista de subprocesadores, y vamos
a incluir en el inventario de terceros la IA que viene embebida en otros productos.
El [AI RMF del NIST](https://doi.org/10.6028/NIST.AI.100-1) nos da la razón: pide
mecanismos para inventariar los sistemas de IA (GOVERN 1.6) y mapear los riesgos
de todos sus componentes, incluidos los de terceros (MAP 4).

Y si el proveedor no quiere revelar con qué datos entrenó su modelo, no nos quedemos
callados. El [Marco de Auditoría de IA del IIA](https://www.theiia.org/en/content/tools/professional/2023/the-iias-updated-ai-auditing-framework/)
recomienda documentarlo como riesgo y mantener informado al Consejo.

## La prueba de manejo: probar con nuestros datos

Regresemos al auto usado: la prueba de manejo la hacemos por nuestras calles, no
en la pista del vendedor. La prueba se hace con datos del proveedor y poco dice 
de cómo se comportará con los nuestros. De este modo, NIST pide demostrar el comportamiento
en condiciones similares a las del despliegue (MEASURE 2.3) y comprobarlo en producción(
MEASURE 2.4).

En [Achieving Effective Internal Control Over Generative AI](https://www.coso.org/generative-ai),
COSO sugiere realizar pruebas con poblaciones de prueba y casos límite, y nos recuerda
que debemos considerar lo que dice la IA como afirmaciones que deben ser validadas,
no como hechos.

### El escenario de riesgo (hipotético)

Una compañía de seguros está probando un asistente que extrae los datos de los reclamos.
Casi siempre acierta con la prueba de PDF limpios y bien escaneados. Fotos de formularios
escritos a mano, escaneos torcidos, sellos encima del texto… ya en producción empiezan
a llegar. La precisión se va al tacho, y se alarga la cola de reprocesos. En la 
revisión, nadie recuerda haber definido qué nivel de precisión era aceptable.

### El foco del auditor

Antes de probar, establezcamos qué significa "suficientemente bueno" y creemos un
conjunto de prueba con nuestros casos difíciles: escaneos, formatos locales, variantes
del español. Ya lo vimos en el artículo anterior: sin línea ni base, no hay mejora
demostrable.

Compartir datos para que se puedan probar con ellos implica riesgos, por lo que 
conviene clasificarlos, anonimizarlos o usar datos sintéticos cuando proceda, y 
poner por escrito el acuerdo sobre cómo se usarán y cuándo se eliminarán antes de
entregarlos. Una otra buena razón para tener [resuelta la gobernanza de datos](https://auditoriainteligente.com/gobernanza-de-datos-bases-esenciales-para-auditar-la-ia/)
antes de negociar.

Que la prueba sea ejecutada por alguien independiente del que patrocina la compra,
como también recomienda el NIST (MEASURE 1.3). Y que guardemos los resultados como
evidencia, pues habrá que repetirlos cada vez que el proveedor haga una actualización.

## Abrir el capó, y volver a abrirlo

Un buen comprador de autos pide un poco más: abrir el capó, y no sólo una vez, porque
este producto va cambiando con el tiempo. COSO advierte que los cambios del proveedor
pueden requerir obligaciones de notificación o de verificación independiente y recomienda
validar las actualizaciones antes de pasarlas a producción.

La Guía del Usuario del IIA dice lo mismo: recomienda una cláusula de derecho de
auditoría que cubra a los subcontratistas, o la prueba de que un asegurador independiente
de buena reputación los auditó. Sin eso, advierte, puede quedar limitada la capacidad
de la auditoría interna para obtener o dar aseguramiento. No basta con tener la 
cláusula, como hemos [visto en las pruebas de control](https://auditoriainteligente.com/pruebas-de-control-en-la-tercerizacion-el-desafio-tactico/),
hay que ejercerla.

### El escenario de riesgo (hipotético)

El viernes por la tarde el proveedor actualiza su modelo. No lo dice porque no lo
obliga el contrato. El lunes por la mañana, Operaciones observa un disparo en el
rechazo de operaciones legítimas. Cuando Auditoría pregunta qué cambió, nadie puede
responder: no existen registros de la versión del modelo con que reconstruir lo 
ocurrido.

### El foco del auditor

¿Qué conviene negociar como mínimo?

 * Derecho de auditoría, o un informe independiente, que cubra también a los subcontratistas.
 * Aviso previo de cambios materiales del modelo, con opción de revalidar.
 * Lista de subprocesadores y aviso cuando cambie.
 * Registros de _prompts_ (las instrucciones que se le dan al modelo), salidas y
   versión del modelo; COSO los compara con una "lista de materiales" de IA.
 * Notificación de incidentes.
 * Niveles de servicio con previsiones para fallas y evidencia del plan de continuidad
   del proveedor.
 * Uso de nuestros datos: si el proveedor puede usarlos para entrenar o mejorar 
   modelos, dónde se almacenan, por cuánto tiempo, y su devolución o destrucción
   al salir, con portabilidad en formatos abiertos.

Sobre portabilidad, propiedad de lo personalizado y custodia del código (_escrow_),
conviene repasar [Vendor lock-in](https://auditoriainteligente.com/vendor-lock-in-el-caballo-de-troya-de-la-innovacion-acelerada-en-ia/).
En su [Guía Esencial de Gobernanza de IA](https://www.oceg.org/essential-guide-to-ai-governance/),
la OCEG también recomienda desde la alta dirección la debida diligencia, el monitoreo
continuo, los términos contractuales claros y las auditorías periódicas de los proveedores
de IA y sus planes de contingencia.

No todos los proveedores aceptarán todo, y eso está bien. Lo que no se acepte será
riesgo residual, debiendo ser documentado y comunicado como tal.

## Leer el certificado de la agencia

![Certificado con sello que cubre solo una región resaltada, el resto sin cubrir.](
https://auditoriainteligente.com/wp-content/uploads/2026/10/imagen_2.2-mapa-1024x573.
png)

Vale la pena leer también el certificado. En la Parte 1 de la serie, dijimos que
la certificación es válida para el sistema de gestión, no para el producto. La [norma ISO/IEC 42001](https://www.iso.org/standard/42001)
lo explica: la organización define su propio alcance y puede excluir controles si
lo justifica en su declaración de aplicabilidad (la vimos junto al NIST [aquí](https://auditoriainteligente.com/generando-confianza-en-ia-agentica-mediante-marcos-de-gobernanza/)).
Un certificado puede ser cierto y aún así no cubrir la función, la región o el producto
que compramos.

Imaginemos un proveedor certificado en su plataforma europea y nuestro servicio 
corriendo en otra región. ¿Qué pedimos? El enunciado de alcance, la declaración 
de aplicabilidad y el nombre del organismo certificador acreditado.

La Guía del IIA recoge las certificaciones ISO y los informes SOC como evidencia
de monitoreo, y la Guía de Aplicación permite valernos del trabajo de otros aseguradores,
siempre que documentemos y evaluemos su suficiencia. Es evidencia, sí; conclusión,
no. Y si nos dan un informe SOC, que no se quede en la carpeta: que revisemos los
controles complementarios de la entidad usuaria (CUEC) que nos tocan como clientes.

## Ocho preguntas para poner sobre la mesa

 1. ¿Qué modelos, datos y subprocesadores hay detrás del producto, y quién los cambia?
 2. ¿Qué parte del producto, unidad y región cubre su certificación, y qué controles
    excluyó?
 3. ¿Existe un informe independiente (por ejemplo, SOC) y hemos revisado ya los controles
    aplicables para nuestro alcance?
 4. ¿Qué documenta acerca de sus datos de entrenamiento y su desempeño? Y si no lo 
    comparte, ¿lo estamos registrando como riesgo?
 5. ¿Lo probamos con nuestros datos, con criterios de aceptación definidos de antemano?
 6. ¿El contrato nos otorga derecho de auditoría, o evidencia independiente, que abarque
    a los subcontratistas?
 7. ¿Debería avisarnos de cambios materiales del modelo y dejarnos revalidar?
 8. ¿Qué registros guardamos, qué plan de continuidad hay para los imprevistos y qué
    hace con nuestros datos (uso, retención, salida)?

## Conclusión

Vamos al auto usado: una buena compra es la que incluye haberlo conducido, abierto
y entendido, no la que se basa en el brillo ni en un sello en el parabrisas. Lo 
mismo pasa con la IA. Un sello es un punto de partida, no una prueba, y entre la
promesa y la evidencia hay un trabajo concreto: inventariar, probar, contratar para
verificar y leer los alcances.

No se trata de frenar la compra, sino de asegurar que **lo comprado pueda ser comprobado**.

_El siguiente artículo, **Auditar el entusiasmo: qué medir en la IA que ya usamos**:
no todas las promesas son externas; algunas nacen en casa. Veremos cómo medir el
retorno real, qué hacer con la IA que los empleados adoptan por su cuenta y cómo
reportarlo al comité (shadow AI)._

## Distorsión o valor: ¿qué hace realmente la IA?

- Link: https://auditoriainteligente.com/distorsion-o-valor-que-hace-realmente-la-ia/
- Published: 2026-10-01T00:18:39-04:00
- Author: Christian Vargas

**TL;DR**

En América Latina, la adopción de inteligencia artificial presenta una brecha entre
el alto uso de aplicaciones y la baja inversión o talento especializado. Esta desproporción
genera distorsiones organizacionales donde las decisiones se toman basadas en expectativas
infladas en lugar de evidencia real.

Las principales distorsiones incluyen declaraciones engañosas sobre capacidades 
tecnológicas, la compra de herramientas falsamente etiquetadas como autónomas y 
la falta de métricas para medir el valor real. La auditoría debe exigir gobernanza,
validación de promesas y evidencias concretas antes de escalar estos proyectos.

Los espejos de feria tienen algo fascinante: todo lo que reflejan es real, pero 
la imagen sale estirada, achicada o ensanchada. Nadie ha inventado nada; lo que 
cambia es la perspectiva. Y cuando una decisión se toma mirando el reflejo y no 
el objeto, las consecuencias sí son reales.

Con la inteligencia artificial, muchas organizaciones están tomando decisiones frente
a un espejo de feria. Y América Latina no es una espectadora. Según el [Índice Latinoamericano de Inteligencia Artificial (ILIA) 2025](https://desarrollodigital.cepal.org/es/datos-y-hechos/indice-latinoamericano-de-inteligencia-artificial-ilia-2025),
elaborado por CENIA y la CEPAL para 19 países, la región es la tercera a nivel mundial
en descargas de aplicaciones de IA. Sin embargo, ese mismo informe indica que estos
países reciben apenas el 1.12 % de la inversión global en IA, y que la alfabetización
en IA puntúa el doble que la formación profesional y cuatro veces más que el talento
avanzado. Mucho uso, poca profundidad: terreno fértil para la distorsión.

Como auditores, nuestro trabajo no es celebrar ni frenar la adopción, sino pedir
evidencia. Veamos tres distorsiones que conviene tener en la mira.

## Distorsión 1: Lo que se dice (declaraciones que exceden la capacidad)

En marzo de 2024, la Comisión de Valores de EE. UU. (SEC) anunció [acciones contra dos asesores de inversión, Delphia y Global Predictions](https://www.morganlewis.com/pubs/2024/03/sec-charges-investment-advisers-with-making-false-and-misleading-statements-about-their-use-of-ai),
por declaraciones engañosas sobre su uso de IA, una práctica que el regulador bautizó
como _AI washing_ (presentar como IA lo que no lo es), en analogía con el _[greenwashing](https://auditoriainteligente.com/navegando-la-permacrisis-por-que-la-gestion-de-riesgos-tradicional-ya-no-es-suficiente/)_.
Según la [orden de la SEC](https://www.sec.gov/files/litigation/admin/2024/ia-6573.pdf),
Delphia afirmaba emplear IA y _machine learning_ con datos de sus clientes para 
anticipar qué empresas y tendencias despuntarían, pero no contaba con esas capacidades.
Global Predictions se promocionaba como el "primer asesor financiero regulado con
IA" sin poder sustentarlo. Las multas fueron de US$225,000 y US$175,000.

Lo más instructivo para nosotros no es la multa, sino el control ausente: la SEC
también determinó que [Delphia no tenía políticas para asegurar la exactitud de sus anuncios](https://www.omm.com/insights/alerts-publications/sec-targets-ai-washing-in-charges-against-two-investment-advisers/).
La falla no fue tecnológica; **fue de gobierno**.

### El escenario de riesgo

Una entidad financiera regional anuncia en su memoria anual un "motor de decisión
crediticia con IA". En la práctica, es un conjunto de reglas de negocio parametrizadas
con una interfaz moderna. El equipo de Comunicaciones redactó el titular basado 
en la presentación del proveedor. Nadie en el comité de riesgos hizo preguntas al
respecto. Meses después, un cliente o un regulador pide explicar cómo decide el 
modelo, y no existe documentación que respalde el anuncio.

### El foco del auditor

Las declaraciones públicas sobre IA son afirmaciones de la gerencia y, como tales,
deben estar sujetas a control. Conviene recomendar un inventario de afirmaciones(
_claims_) y un proceso de validación conjunto entre comunicaciones, legal, cumplimiento
y tecnología antes de publicar. El [Marco de Auditoría de IA del IIA](https://www.theiia.org/en/content/tools/professional/2023/the-iias-updated-ai-auditing-framework/),
construido sobre el Modelo de las Tres Líneas, es un buen punto de partida para 
estructurar esa revisión.

## Distorsión 2: Lo que se compra (la brecha de conocimiento como modelo de negocio)

Gartner acuñó un término para el fenómeno del lado de la oferta: _agent washing_,
la reetiquetación de asistentes, RPA y chatbots existentes como si fueran agentes
autónomos. En su [comunicado de junio de 2025](https://www.gartner.com/en/newsroom/press-releases/2025-06-25-gartner-predicts-over-40-percent-of-agentic-ai-projects-will-be-canceled-by-end-of-2027),
estimó que solo unos 130 de los miles de proveedores que dicen ofrecer IA agéntica
son genuinos. Pronosticó que más del 40 % de los proyectos agénticos serán cancelados
hacia finales de 2027 por costos crecientes, valor poco claro o controles de riesgo
inadecuados. Nótese que la causa no es "el modelo no sirve", sino _la gestión alrededor
de él_.

La lectura regional agrega un matiz. Si la región recibe una fracción mínima de 
la inversión global y su talento avanzado es escaso, es razonable inferir (es lectura
nuestra, no conclusión del ILIA) que buena parte de la IA que llega a nuestras organizaciones
se compra en lugar de construirse. Además, el comprador tiene menos capacidad interna
para cuestionar al vendedor. La asimetría de información es, en sí misma, un riesgo.

### El escenario de riesgo

Un proveedor presenta un "agente autónomo de tesorería". La demostración es impecable,
con datos de ejemplo. Ya en producción, el sistema resulta ser un flujo de RPA con
un chatbot encima. El contrato excluye derechos de auditoría y no obliga al proveedor
a notificar cambios de modelo, y el ejecutivo patrocinador no puede distinguir entre
ambos.

### El foco del auditor

Solicitar, para mitigar riesgos, prueba de valor con datos propios, documentación
de arquitectura y derechos de auditoría en el contrato. También conviene leer con
lupa el alcance de las certificaciones. [ISO/IEC 42001](https://www.iso.org/standard/42001)
es el primer estándar de sistema de gestión de IA, pero la certificación [valida el sistema de gestión de la organización, no el producto o servicio](https://blog.ansi.org/anab/iso-iec-42001-ai-management-systems/?amp=1).**
Un sello no equivale a que el folleto sea cierto**.

## Distorsión 3: Lo que se escala (pilotos vendidos como transformación)

![Iceberg con un panel de interfaz e IA en la superficie y una compleja red oculta
de tuberías y datos bajo el agua](https://auditoriainteligente.com/wp-content/uploads/
2026/10/imagen_1_2_iceberg-1024x768.png)

Auditoría Inteligente/GPT 2.5

El informe _The GenAI Divide_ del MIT NANDA, publicado en julio de 2025, sostuvo
que [cerca del 95 % de las iniciativas de IA generativa analizadas no mostraba retorno medible](https://fortune.com/2025/08/18/mit-report-95-percent-generative-ai-pilots-at-companies-failing-cfo).
Un matiz que un auditor no debe pasar por alto: se trata de un [estudio preliminar, no de una tasa universal de fracaso](https://letsdatascience.com/news/mit-report-documents-genai-pilot-roi-gap-e0924d7d),
por lo que conviene leerlo como una señal y no como una cifra definitiva. Incluso
la estadística más citada del año es una afirmación que hay que examinar.

El uso, además, no es madurez. El ILIA 2025 ubica a República Dominicana (mi país
de origen) entre los países "adoptantes", con [45.71 puntos, por encima del promedio regional de 43.02](https://www.latercera.com/nacional/noticia/ilia-2025-chile-se-ubica-como-el-pais-que-mas-y-mejor-usa-la-inteligencia-artificial-en-latinoamerica/),
y entre los países que lideran el uso de IA generativa. Es un avance real, pero 
medir cuánta gente usa una herramienta no dice si esa herramienta mejora el negocio.

### El escenario de riesgo

Una aseguradora reporta al comité ejecutivo que "8,000 empleados usan el asistente
de IA". El indicador es de uso, no de resultado. Nadie estableció una línea base
de tiempos de ciclo o tasas de error antes del piloto. El piloto se declara exitoso
y se solicita presupuesto para escalarlo, sin poder demostrar qué mejoró.

### El foco del auditor

Promover métricas de realización de beneficios definidas antes de iniciar, criterios
explícitos de paso de piloto a producción (_stage gates_) y un inventario completo
de casos de uso, incluida la IA que los empleados adoptan por su cuenta (_shadow
AI_). Lo que no tiene línea base no puede demostrar mejora.

## Conclusión

Discurso, compra y escala son tres puntos donde la imagen de la IA puede distorsionarse.
En los tres, la respuesta del auditor es la misma: convertir cada promesa en una
afirmación verificable. No se trata de frenar la innovación, sino de _asegurar que
lo que se construye tenga cimientos_.

**Diagnosticar la distorsión** es la primera mitad del trabajo. La segunda es **
tener herramientas concretas para corregirla.**

_En el próximo artículo de esta serie, pasaremos de la sospecha al método: **Auditar
la promesa**, con las preguntas, la evidencia y las cláusulas contractuales que 
un auditor puede exigir antes de aprobar una solución de IA._

## La nueva ecuación de valor del auditor hacia la confianza digital

- Link: https://auditoriainteligente.com/la-nueva-ecuacion-de-valor-del-auditor-hacia-la-confianza-digital/
- Published: 2026-08-25T20:06:36-04:00
- Author: Christian Vargas

**TL;DR**

En la era de la empresa agéntica, la auditoría interna debe evolucionar de la revisión
retrospectiva hacia un enfoque predictivo y continuo basado en inteligencia artificial.
Para maximizar su valor, los auditores deben reducir los costos de aseguramiento
auditando el cien por ciento de los procesos algorítmicos.

Esta transformación necesita establecer controles desde el diseño, como identidades
criptográficas únicas, registros que no se pueden cambiar sobre el razonamiento,
disyuntores algorítmicos y monitoreo humano constante. De este modo, la auditoría
se posiciona como un custodio de la confianza digital que facilita la innovación
segura.

En esta serie de artículos hemos recorrido el camino, fascinante pero vertiginoso,
hacia la empresa agéntica. Hemos visto cómo la permacrisis global obliga a las organizaciones
a delegar la toma de decisiones a sistemas autónomos. Hemos analizado en qué se 
diferencian estos sistemas de la automatización tradicional (RPA). Exploramos los
nuevos riesgos sistémicos, como los comportamientos emergentes. Finalmente, establecimos
un modelo táctico de gobernanza basado en tres pilares: Sabiduría (Razonamiento),
Conocimiento (Contexto) y Acción (Ejecución).

Una vez diagnosticada la enfermedad y definido el marco teórico de la cura, llegamos
a la pregunta definitiva para cualquier Director de Auditoría (CAE) o líder de riesgos
frente a su Junta Directiva: **¿Cómo demostramos y cuantificamos el valor de la 
Auditoría Interna en este nuevo ecosistema hiperacelerado?**

Para responder a esto, hay que mirar al futuro. El IIA, a través de [su Visión 2035](https://ia-vision2035.org/),
nos exige una transformación inevitable. El futuro mandato de nuestra profesión 
se puede resumir en lo que yo llamo **“La Nueva Ecuación del Valor del Auditor**”.

## La ecuación del valor en la era agéntica

El valor de la auditoría, históricamente, se basaba casi exclusivamente en el _hindsight_(
mirar hacia atrás para ver qué falló) y el _insight_ (entender el estado actual 
de los controles). Sin embargo, hoy el verdadero factor diferenciador estratégico
está en una fórmula matemática y conceptual que todo líder tiene que sellar con 
firmeza en la cultura de su departamento:

**Valor de la auditoría = (Insight + Foresight) / Costo de aseguramiento**

Analicemos esta ecuación para entender por qué modifica las reglas del juego:

 1. **Insight (Comprensión):** Sigue siendo nuestra base. Es la capacidad de comprender
    cómo funcionan hoy los modelos de IA de la empresa, qué datos consumen y qué procesos
    controlan.
 2. **Foresight (perspectiva estratégica):** Este es el gran salto. Se trata de la 
    capacidad predictiva y proactiva para _anticipar los riesgos autónomos_ antes de
    que se traduzcan en pérdidas financieras, multas regulatorias o daño reputacional.
    Es diseñar los frenos del vehículo antes de que empiece a acelerar.
 3. **El costo del aseguramiento (el denominador crítico):** Aquí es donde el modelo
    tradicional colapsa. Si queremos auditar ecosistemas algorítmicos que procesan 
    10,000 transacciones por minuto, utilizando revisiones manuales o muestreos estadísticos
    clásicos (revisar al azar 30 facturas de un universo de un millón), el costo logístico
    y temporal del aseguramiento será prohibitivo. Vamos a sofocar la agilidad corporativa.

Para que el valor de la auditoría tienda al infinito hay que maximizar el foresight
y reducir drásticamente el costo de aseguramiento. ¿Y cómo se logra esto? Acabando
con el muestreo estadístico y pasando a la _auditoría del 100%_.

En la Empresa Agéntica, **la única forma rentable de auditar a la IA es utilizando
IA**. Nos movemos hacia un paradigma en el que desplegaremos “agentes de auditoría”,
sistemas autónomos de control que estarán a cargo de monitorear permanentemente,
en tiempo real, a los “agentes de negocio”. Los [marcos avanzados de ISACA sobre el Aseguramiento Continuo](https://www.isaca.org/resources/isaca-journal/issues/2024/volume-5/continuous-auditing-and-risk-monitoring)
lo promueven, pasar de las revisiones anuales al monitoreo algorítmico 24/7 es el
único camino viable.

## Controles críticos por diseño

Para poder auditar el 100% y así poder entregar este Foresight, el auditor no puede
llegar cuando el software ya está en producción. Debe exigir, desde la fase de diseño
y arquitectura (_Security and Compliance by-design_), que se implemente obligatoriamente
el siguiente checklist de controles en cualquier sistema autónomo:

### 1. Identidad del agente y control de acceso (RBAC) no humano

Antiguamente, si un proceso automatizado necesitaba entrar al ERP financiero, los
equipos de TI clonaban el perfil de un usuario humano (por ejemplo, crear un usuario"
Bot_Finanzas" con los mismos permisos que el gerente de contabilidad). En la era
agéntica, es una negligencia grave.

Todo agente deberá contar con una identidad criptográfica única y rastreable. Sus
permisos deben ser definidos por un Control de Acceso Basado en Roles (RBAC) estrictamente
enfocado en su tarea específica (RBAC específico por agente), siguiendo la arquitectura
de [Confianza Cero (Zero Trust)](https://www.nist.gov/publications/zero-trust-architecture).
Si el agente se desvía, necesitamos poder revocar su token de acceso en milisegundos,
sin que afecte a los usuarios humanos.

### 2. Trazabilidad del razonamiento imposible de modificar

En una auditoría tradicional, uno de los objetivos es determinar quién autorizó 
un pago. En la auditoría algorítmica, tenemos que saber _por qué_ la máquina decidió
aprobarlo. No basta con saber lo que hizo el agente; necesitamos logs protegidos,
semánticos.

Estos registros deben capturar los prompts intermedios generados por el sistema,
el contexto de negocio recuperado de las bases de datos en ese preciso instante 
y la justificación probabilística de su decisión _antes de invocar a la API de ejecución_.
Estos logs deben almacenarse en infraestructuras inalterables, potencialmente utilizando
tecnología WORM (Write Once, Read Many) o registros en blockchain privado, para 
garantizar que nadie (ni humano ni máquina) altere este historial para encubrir 
un error.

### 3. Kill Switches (Disyuntores algorítmicos)

Los agentes de IA necesitan unos frenos de emergencia, inspirados en los “_circuit
breakers_” de las bolsas de valores globales que detienen la transacción cuando 
el mercado entra en pánico.

Un **kill switch** es un límite automatizado e independiente del agente principal.
Su única misión: observar. Si detecta anomalías severas en el volumen de transacciones(
ej. un agente intentando emitir 5,000 órdenes de compra en un minuto cuando el promedio
histórico es 50) o un cambio drástico en el patrón semántico de las acciones, el
disyuntor corta físicamente el acceso del agente a las APIs operativas. Es un control
compensatorio vital ante el riesgo de los comportamientos emergentes.

### 4. Human-in-the-Loop (HITL) dinámico para acciones de alto riesgo

Las decisiones empresariales no nacen todas de la misma manera. Aquí es donde la
gobernanza se cruza con la regulación. La nueva [Ley de Inteligencia Artificial de la Unión Europea (EU AI Act)](https://artificialintelligenceact.eu/),
el marco regulatorio más completo del mundo hasta ahora, clasifica los sistemas 
de IA de acuerdo con su nivel de riesgo y estipula expresamente la supervisión humana(
Human oversight) para los sistemas de alto riesgo.

En nuestro checklist, esto implica implementar un HITL dinámico. Para operaciones
de riesgo nivel 1 (Tier 1 Risk), tales como decisiones de impacto legal vinculante,
transferencias financieras masivas o despidos automatizados, el diseño del sistema
debe ser híbrido. El agente autónomo es quien lleva la carga: investiga, allana 
el camino y sugiere la acción. Sin embargo, el sistema se detendrá y esperará un
token criptográfico de aprobación humana antes de ejecutar el último paso.

![Monitoreo en tiempo real del flujo de datos, la IA bajo control ético y la supervisión
humana mediante un Kill Switch de emergencia](https://auditoriainteligente.com/wp-
content/uploads/2026/08/gobernanza_ia-5-imagen_2-1024x689.png)

Monitoreo en tiempo real del flujo de datos, la IA bajo control ético y la supervisión
humana mediante un Kill Switch de emergencia (GPT2/Auditoria Inteligente)

## Los custodios de la confianza digital

Por años, el riesgo tecnológico se ha tratado como una preocupación técnica, relegada
a los centros de datos y las reuniones de seguridad informática. Hoy la realidad
nos ha alcanzado; el riesgo tecnológico es, sin duda, **el riesgo estratégico número
uno del negocio**.

Cada segundo que la inteligencia artificial se apodere de la capacidad de decisión
sobre las finanzas, la operación, los recursos humanos y el marco legal de nuestra
organización, se pone a prueba la confianza institucional. No es posible que esta
confianza se asuma implícitamente por el tamaño, el renombre o la reputación del
proveedor tecnológico que desarrolló el modelo fundacional. La confianza en la era
digital, como hemos visto, debe ser **diseñada, orquestada y auditada incansablemente**.

La transición que nos exige la Visión 2035 no es una opción. Nos pide dejar de juzgar
el pasado con los criterios del pasado. Nos invita a dejar de ser pasivos y a convertirnos
en los arquitectos de la confianza. El auditor moderno es aquel que se sienta en
la mesa de diseño desde el “Día Cero” de un proyecto de IA, no para detener la innovación,
sino para exigir gobernanza predictiva, _guardrails_ robustos y controles inmutables.

No estamos acá para detener la irrupción de la empresa agentica. En cambio, lo que
queremos es que los sistemas de control, la alineación de metas de la empresa y 
la guía ética de la institución aseguren que, mientras la inteligencia artificial
mejora nuestra competitividad en medio de la permacrisis, funcionen con total y 
firme precisión.

El futuro, sin duda, es de las organizaciones que consigan escalar la IA agéntica
rápida y seguramente. Y el éxito a largo plazo de esta escalada dependerá, esencialmente,
del _liderazgo_, la _visión_ y el _foresight estratégico_ de la función de Auditoría
Interna.

**Estamos listos para liderar el cambio.**

## Generando confianza en IA agéntica mediante marcos de gobernanza

- Link: https://auditoriainteligente.com/generando-confianza-en-ia-agentica-mediante-marcos-de-gobernanza/
- Published: 2026-08-17T00:25:08-04:00
- Author: Christian Vargas

**TL;DR**

Las organizaciones requieren nuevos marcos de gobernanza para auditar la inteligencia
artificial agéntica ante la insuficiencia de controles tradicionales. Los estándares
globales como ISO/IEC 42001, NIST AI RMF y COSO IC GenAI ofrecen marcos para manejar
riesgos éticos, garantizar la claridad y ajustar el control interno a modelos autónomos.

Un modelo táctico basado en razonamiento, conocimiento y acción permite evaluar 
de forma integral a los agentes digitales. La auditoría debe centrarse en las reglas
lógicas, la integridad de los datos contextuales y la realización segura de transacciones
utilizando arquitecturas de confianza cero para disminuir los riesgos operativos
sistémicos.

En [nuestro artículo anterior,](https://auditoriainteligente.com/el-nuevo-mapa-de-riesgos-de-la-ia-agentica/)
delineamos un panorama que, para muchos líderes de riesgo, puede resultar inquietante.
Examinamos cómo la empresa agéntica trae nuevos tipos de riesgo: desde el exceso
de agencia y la automatización que no se ve, hasta la amenaza general de comportamientos
que surgen. Hemos concluido que los tradicionales marcos de control, diseñados para
software estático, son insuficientes frente a algoritmos que razonan y actúan de
forma autónoma.

Ante este escenario, es natural que los Directores de Auditoría (CAE) se pregunten,“
Si las metodologías de ayer ya no nos protegen, ¿cómo comenzamos a construir las
de mañana?_ ¿Por dónde empezamos a auditar lo imprevisible?"_

La excelente noticia es que no tenemos que reinventar la rueda; solo necesitamos
reinterpretarla y aplicarla con un rigor sin precedentes. La confianza digital en
la era de la IA agéntica no se decreta por mandato corporativo ni se asume por la
buena reputación de nuestro proveedor tecnológico. **La confianza se diseña, se 
orquesta y se operacionaliza.**

Para lograrlo, la función de auditoría moderna debe anclarse en los nuevos estándares
globales y, posteriormente, traducirlos en un modelo táctico de evaluación.

## Los cimientos normativos

Cuando nos enfrentamos a una tecnología disruptiva, el primer paso para mitigar 
el pánico operativo es adoptar un lenguaje común y una estructura de gobernanza 
probada. Dos pilares fundamentales han emergido a nivel global para guiar a las 
organizaciones en este complejo viaje.

#### 1. ISO/IEC 42001: El Sistema de Gestión de IA (AIMS)

Publicado a finales de 2023, el [estándar ISO/IEC 42001 (Artificial Intelligence Management System)](https://www.iso.org/standard/81230.html)
es el primer marco certificable del mundo para sistemas de gestión de IA. A diferencia
de las normativas que regulan la seguridad de la información tradicional (como la
ISO 27001), este estándar está diseñado específicamente para abordar los desafíos
éticos, de transparencia y de adaptabilidad continua que exige la inteligencia artificial.

Para un auditor interno en una empresa agéntica, el valor de la ISO 42001 reside
en dos requerimientos críticos:

 * **La Evaluación de Impacto de IA (AIA):** Antes de que un agente autónomo sea
   desplegado para negociar contratos o ajustar precios, la organización debe haber
   documentado exhaustivamente el impacto potencial de sus decisiones.
 * **El Inventario Dinámico de Agentes:** Históricamente, TI mantenía un inventario
   de _software_ o _hardware_. En los tiempos actuales, sería recomendable que el
   auditor solicite un inventario de roles agénticos, respetando límites y responsabilidades.¿
   Cuántos "empleados digitales" tienen capacidad de decisión en este momento? ¿
   Qué límites jurisdiccionales tienen dentro de la empresa? Sin este inventario,
   auditar la IA es caminar sin ver hacia dónde se dirige.

#### 2. NIST AI RMF (Risk Management Framework)

Mientras que la ISO proporciona el marco de gestión corporativa, el [NIST AI RMF (Risk Management Framework del Instituto Nacional de Estándares y Tecnología de EE. UU.)](https://www.nist.gov/itl/ai-risk-management-framework)
nos brinda la anatomía funcional para gestionar el riesgo en la práctica.

Este marco se divide en cuatro funciones centrales: _Map_ (Mapear), _Measure_ (Medir),
_Manage_ (Gestionar) y _Govern_ (Gobernar). En el contexto de la acción autónoma,
el auditor debe utilizar el NIST RMF para exigir métricas comprobables de **confiabilidad**
y **explicabilidad**.

Pensemos en el problema de la "caja negra". Si un agente autónomo de abastecimiento
decide cancelar un pedido de un proveedor habitual y dárselo a uno nuevo en Asia,
usando predicciones sobre el riesgo, _¿puede el sistema recrear el pensamiento matemático
y lógico que motivó esa decisión?_ Si un regulador toca a nuestra puerta mañana,¿
podemos explicar la decisión de la máquina? El NIST nos respalda normativamente 
para exigir que solo se pongan en producción los modelos que **pueden ser auditados
semánticamente**.

#### 3. COSO IC GenAI

Para mejorar la gestión corporativa y de riesgos, conviene incorporar el lenguaje
natural utilizado por los auditores. Recientemente, se ha publicado la guía de [COSO sobre Control Interno sobre IA Generativa (COSO IC ](https://ab5bd07f-8066-4a33-869e-6f82d80ee59a.filesusr.com/ugd/719ba0_08f358f2c8f946fa9d26bd51d37b7117.pdf)
[GenAI](https://ab5bd07f-8066-4a33-869e-6f82d80ee59a.filesusr.com/ugd/719ba0_08f358f2c8f946fa9d26bd51d37b7117.pdf)
[)](https://ab5bd07f-8066-4a33-869e-6f82d80ee59a.filesusr.com/ugd/719ba0_08f358f2c8f946fa9d26bd51d37b7117.pdf).

Este marco une la nueva tecnología con las normas tradicionales de auditoría. Adapta
los cinco elementos básicos del control interno (Entorno de Control, Evaluación 
de Riesgos, Actividades de Control, Información y Comunicación, y Monitoreo) al 
contexto de los modelos generativos y agénticos.

## Los 3 pilares de la IA agéntica

![Persona armando un rompecabezas con iconos de gobernanza y seguridad que rodean
un núcleo de inteligencia artificial.](https://auditoriainteligente.com/wp-content/
uploads/2026/08/gobernanza_ia_4_imagen2-1024x579.png)

Tener el respaldo de la ISO y el NIST es crucial en la Junta Directiva, pero los
auditores de campo necesitan un enfoque práctico para desarmar y evaluar un sistema
autónomo. Para auditar eficazmente a un "agente", debemos deconstruirlo en sus tres
componentes fundamentales: su capacidad de pensar, su capacidad de recordar y su
capacidad de actuar.

Propongo a las funciones de Auditoría Interna adoptar el marco de evaluación de 
tres pilares: **Sabiduría, Conocimiento y Acción.**

#### Pilar 1: Sabiduría (El razonamiento del modelo)

Este pilar evalúa el "motor cerebral" del agente. Se refiere a la habilidad del 
modelo básico (LLM/LMM) para entender un problema difícil, dividirlo en tareas más
pequeñas (descomposición de tareas) y analizar las opciones de manera lógica antes
de tomar una decisión.

 * **¿Dónde están los riesgos?** El modelo puede sufrir "alucinaciones" durante 
   cadenas de pensamiento prolongadas, llegando a conclusiones lógicas impecables
   pero basadas en premisas falsas o sesgadas.
 * **El Punto de Control del Auditor:** Debemos auditar las instrucciones base del
   sistema (los _System Prompts_) que dictan las directrices éticas de la máquina.
   Además, debemos rsería conveniente que los equipos de ingeniería realizaranos
   de **_Red Teaming_**** algorítmico**. Esto significa simular ataques maliciosos
   o escenarios de estrés extremo de manera intencional para ver si la lógica del
   agente se quiebra o si logra mantener sus restricciones de seguridad (_Guardrails_).

#### Pilar 2: Conocimiento (El conocimiento y el contexto)

Por más inteligente que sea el motor de razonamiento (Conocimiento), un agente será
inútil —o peligroso— si no tiene acceso al contexto interno de la empresa. Este 
pilar evalúa la "memoria" del agente, que normalmente se implementa mediante bases
de datos. Estas bases de datos permiten que el modelo revise manuales, historiales
financieros o políticas de la empresa antes de tomar una decisión. Este proceso 
se llama _RAG_, que significa _Retrieval-Augmented Generation._

 * **¿Dónde están los riesgos?** Si un empleado humano malicioso altera un documento
   interno de políticas financieras, el agente leerá esa información corrupta y 
   tomará decisiones perjudiciales creyendo que está cumpliendo las reglas. A esto
   se le llama "envenenamiento de datos" (_Data Poisoning_). Otro riesgo masivo 
   es la falta de segregación: un agente diseñado para redactar reportes operativos
   no debería poder "leer" la base de datos de salarios de la junta directiva.
 * **El Punto de Control del Auditor:** El auditor debe verificar la integridad 
   y seguridad de los datos que alimentan al agente. Es imperativo auditar la **
   Seguridad a Nivel de Registros (Row-Level Security)**. La identidad de la máquina
   debe estar sometida a los mismos controles de confidencialidad que un usuario
   humano de alto perfil.

#### Pilar 3: Acción (La ejecución y uso de herramientas)

Este es el pilar más crítico para el riesgo sistémico. El pilar de "Acción" representa
las "manos" del agente: sus capacidades para interactuar con otras aplicaciones,
enviar correos electrónicos, modificar bases de datos, aprobar transacciones o firmar
contratos de forma autónoma a través de integraciones de software (APIs).

 * **¿Dónde están los riesgos?** Un agente que solo "piensa" y "lee" puede equivocarse,
   pero el daño se limita a la pantalla de un usuario. Un agente que "actúa" de 
   forma autónoma y se equivoca puede transferir fondos, borrar bases de datos o
   desencadenar una crisis de relaciones públicas en milisegundos.
 * **El Punto de Control del Auditor:** Aquí es donde entra en juego la **arquitectura
   de confianza cero (Zero-Trust)**. El auditor debe exigir que la capa de "razonamiento"
   esté estrictamente segregada de la capa de "ejecución de transacciones críticas".
   Cada vez que el agente intente usar sus "manos" para ejecutar una acción, el 
   sistema debe autenticar criptográficamente la identidad de la máquina y verificar
   si esa acción específica está dentro de sus límites de autoridad preaprobados.

## Preparando el terreno para el futuro

Al diseccionar la IA agéntica en Wisdom, Knowledge y Action, el auditor interno 
desmitifica la "caja negra" de la inteligencia artificial. Ya no estamos intentando
auditar magia algorítmica incomprensible; estamos auditando reglas de lógica, controles
de acceso a datos y políticas de ejecución de transacciones, disciplinas en las 
que nuestra profesión es experta indiscutible.

Armados con la legitimidad de estándares globales como la ISO 42001 y un marco táctico
de 3 pilares, los auditores pueden sentarse a la mesa de innovación corporativa 
no como detractores o bloqueadores. En cambio, pueden ser los ingenieros de control
que aseguran que el vehículo de la IA corra rápido porque tiene frenos excelentes.

_Pero, ¿cómo se cuantifica exactamente el valor de este esfuerzo? En el quinto y
último artículo de esta serie, abordaremos la "Hoja de Ruta hacia la Visión 2035
del IIA". Presentaremos la nueva Ecuación del Valor de la Auditoría y revelaremos
un checklist definitivo de controles críticos (como los "Kill Switches" y el HITL
dinámico) que todo líder de riesgos debe exigir por diseño para sobrevivir en la
era de la empresa agentica._

## El nuevo mapa de riesgos de la IA agéntica

- Link: https://auditoriainteligente.com/el-nuevo-mapa-de-riesgos-de-la-ia-agentica/
- Published: 2026-08-10T00:02:53-04:00
- Author: Christian Vargas

**TL;DR**

La transición hacia la inteligencia artificial agéntica transforma el perfil de 
riesgo corporativo, superando la capacidad de los marcos de control tradicionales.
A diferencia de la automatización normal, estos agentes autónomos funcionan con 
su propio razonamiento, creando problemas significativos como la agencia excesiva,
comportamientos inesperados y la automatización que no se ve.

Los auditores deben evolucionar sus métodos mediante la revisión de límites de herramientas,
pruebas de estrés sistémico y registros semánticos inmutables. Implementar gobernanza
moderna y disyuntores algorítmicos es fundamental para evitar que la autonomía de
la inteligencia artificial comprometa la estabilidad operativa y financiera de las
organizaciones actuales.

En la [entrega anterior de esta serie](https://auditoriainteligente.com/retos-de-auditoria-en-la-era-de-sistemas-autonomos/),
establecimos una distinción fundamental: auditar la inteligencia artificial agéntica
no es lo mismo que auditar la automatización robótica de procesos (RPA). Si el RPA
era un tren de carga moviéndose predeciblemente sobre vías preestablecidas de código
estático, la IA agéntica es un vehículo todoterreno autónomo al que simplemente 
le damos un destino y le permitimos navegar, razonar y sortear obstáculos por sí
mismo.

Pero, ¿qué sucede cuando soltamos decenas de estos "vehículos autónomos" en el corazón
de nuestra infraestructura corporativa, con acceso a nuestros ERPs, cuentas bancarias
y sistemas de gestión de la cadena de suministro?

La respuesta corta es que el perfil de riesgo de la organización muta de forma inmediata.
La taxonomía estática de riesgos que hemos utilizado durante décadas está basada
en los principios clásicos del [Marco ERM de COSO (Committee of Sponsoring Organizations of the Treadway Commission)](https://www.coso.org/guidance-erm).
Aunque fundacional y válida, resulta insuficiente para capturar la velocidad y la
naturaleza impredecible de las decisiones tomadas por redes neuronales autónomas.

Como Directores de Auditoría (CAEs), es necesario identificar y clasificar las amenazas
relevantes para proteger a la empresa. El despliegue de agentes autónomos introduce
vectores de riesgo radicalmente nuevos. Presentamos tres amenazas sistémicas que
conviene integrar en el mapa de riesgos de organizaciones que avanzan hacia la empresa
agente.

## Riesgo 1: Agencia excesiva (Excessive Agency)

El principio de "menor privilegio" (Least Privilege) es uno de los pilares más antiguos
de la ciberseguridad y el control interno: un usuario solo debe tener el acceso 
estrictamente necesario para cumplir su función. Sin embargo, cuando implementamos
agentes de IA, solemos caer en la trampa de la sobreasignación de permisos para 
evitar que el modelo se "atasque" y nos pida ayuda humana. A esto lo llamamos **
Agencia Excesiva**.

Ocurre cuando a un agente de IA se le otorgan permisos, integraciones (APIs) o autonomía
que exceden su propósito funcional. Como los agentes razonan basándose en la consecución
de un objetivo, pueden interpretar sus permisos de formas creativamente destructivas
si no están acorralados por límites estrictos.

**El escenario de riesgo:**

Imaginemos un agente diseñado exclusivamente para "optimizar los costos de infraestructura
en la nube". Para hacer su trabajo, TI le otorga permisos amplios de lectura y escritura
en los servidores de la empresa. A las 3:00 a.m. del último día del mes, el agente
detecta un servidor masivo que está operando al 5% de su capacidad. Razonando lógicamente
que un servidor infrautilizado es un desperdicio de presupuesto, decide apagarlo.

El problema es que el agente no tenía el contexto de que ese servidor específico
estaba reservado para procesar el cierre financiero transaccional global que iniciaba
a las 3:30 a.m. Al apagarlo, el agente cumplió su objetivo (ahorró dinero), pero
interrumpió una operación crítica del negocio.

**El foco del auditor:**

El auditor no puede limitarse a auditar si el agente funciona; debe auditar celosamente
las fronteras de sus herramientas (_Tool Boundaries_). Esto implica una revisión
estricta de la orquestación de APIs a las que el modelo tiene acceso. ¿Tiene un 
agente de optimización permisos de _lectura_ o permisos de _escritura y borrado_?
La identidad de la máquina debe estar tan restringida como la de un humano de alto
riesgo.

## Riesgo 2: Comportamientos emergentes en ecosistemas multiagente

En la empresa agéntica madura, los agentes no operan en un vacío solitario. Tendremos
un "Agente de Compras", interactuando con un "Agente de Inventarios", que a su vez
se comunica con el "Agente de Finanzas".

Un comportamiento emergente es un resultado inesperado (y a menudo dañino) que aparece
cuando varios sistemas, que funcionan bien por su cuenta, interactúan y generan 
ciclos de retroalimentación perjudiciales. El mundo financiero ya vivió un preludio
de esto con el infame ["Flash Crash" de mayo de 2010](https://www.sec.gov/files/marketevents-report.pdf),
donde algoritmos de _High-Frequency Trading_ interactuando entre sí borraron casi
un billón de dólares de valor de mercado en cuestión de minutos sin intervención
humana directa.

**El escenario de riesgo:**

Supongamos que un "agente de compras" de una empresa manufacturera escanea noticias
globales y detecta una posible huelga portuaria inminente. Su objetivo es asegurar
la materia prima, por lo que emite órdenes de compra masivas y urgentes a proveedores
alternativos, comprometiendo millones de dólares.

Rápidamente, el "Agente de Finanzas", que tiene como objetivo garantizar que haya
dinero disponible y evitar que se gaste de más, nota un incremento repentino y grande
en las deudas a corto plazo. Ante la falta de efectivo, el agente financiero reacciona
en milisegundos liquidando inversiones estratégicas de la empresa a pérdida para
cubrir el flujo de caja proyectado. Todo esto sucede en la madrugada de un domingo.
Para cuando el CFO toma su café el lunes por la mañana, la empresa ha asegurado 
inventario, pero ha destruido millones en valor financiero debido a una "guerra 
civil algorítmica".

**El foco del auditor:**

Como auditores, debemos exigir pruebas de estrés sistémico y simulaciones de ecosistemas
antes de su pase a producción. **Ya no evaluamos el software de forma aislada; evaluamos
los protocolos de comunicación** y las "reglas de negociación" entre los diferentes
modelos. Es mandatorio contar con disyuntores algorítmicos (_Kill Switches_) que
detengan la cadena si detectan anomalías semánticas o de volumen inusual.

## Riesgo 3: Automatización invisible (riesgo de "out of sight, out of mind")

![Metáfora de iceberg: la auditoría de riesgos invisibles revela riesgos ocultos
y pérdida de valor bajo una automatización aparentemente óptima](https://auditoriainteligente.
com/wp-content/uploads/2026/08/imagen2-3-gob-ia-agentica-1024x572.png)

A diferencia de un humano que deja un rastro ruidoso de correos electrónicos, quejas
corporativas, reuniones interminables y aprobaciones manuales, un agente de IA puede
ejecutar miles de microdecisiones por minuto con una fricción operativa igual a 
cero.

Esta eficiencia extrema genera uno de los riesgos humanos más peligrosos: la **complacencia**.
Cuando un sistema funciona perfectamente durante los primeros tres meses, los supervisores
humanos dejan de mirarlo. Asumen que el problema está resuelto para siempre. Sin
embargo, los modelos de IA, al interactuar con el mundo real, sufren de lo que en
ciencia de datos se conoce como ["model drift" o degradación del modelo](https://hai.stanford.edu/ai-definitions/what-is-model-drift),
donde cambian las condiciones del entorno y las premisas con las que el modelo fue
entrenado dejan de ser válidas.

**El escenario de riesgo:**

Un "agente de precios dinámicos" es implementado en un e-commerce para ajustar tarifas
en tiempo real frente a la competencia. Inicialmente, su eficacia es brillante, 
aumentando las ventas en un 20%. Los gerentes, confiados, dejan de revisar las bitácoras
diarias.

Seis meses después, un competidor menor introduce un error en su propia página web
listando sus productos a precios absurdamente bajos (centavos). Nuestro agente, 
detectando esta "nueva competencia", ajusta agresivamente nuestras tarifas a la 
baja para mantenerse competitivo. Como opera de forma invisible y fluida, otorga
descuentos sistémicos y excesivos durante semanas. Debido a que el volumen de ventas
se disparó, nadie notó el problema hasta el cierre contable trimestral, descubriendo
que la empresa ha estado vendiendo millones de dólares en productos muy por debajo
de su costo, erosionando silenciosamente los márgenes de ganancia.

**El foco del auditor:**

El auditor interno debería promover telemetría continua y auditoría en tiempo real
para detectar y corregir desviaciones operativas. No basta con revisar registros
de fallos de red (errores 404); necesitamos **logs semánticos**. Esto significa 
que el agente debe estar obligado a registrar de forma inmutable el _razonamiento_
detrás de cada decisión ("Bajé el precio a $0.50 _porque_ detecté al competidor 
X vendiendo a $0.55″). Solo así podemos **auditar la lógica, no solo el resultado**.

## Conclusión

Entender este nuevo mapa de riesgos es la diferencia entre ser un espectador pasivo
de la transformación digital o ser el líder que la asegura. La agencia excesiva,
los comportamientos emergentes y la automatización invisible nos enseñan que, en
la empresa agéntica, el riesgo es desigual: un pequeño cambio en las reglas de autonomía
puede provocar un gran efecto.

No obstante, diagnosticar la enfermedad es solo la mitad de nuestro mandato. Una
vez que entendemos que los marcos tradicionales no nos protegen contra esto, debemos
buscar aquellos que sí lo hacen.

_En nuestro siguiente artículo, pasaremos de la identificación del riesgo a la operacionalización
de la confianza. Exploraremos cómo los nuevos estándares globales, específicamente
el ISO/IEC 42001 y el AI RMF del NIST, proporcionan los cimientos sobre los cuales
el auditor moderno puede construir el modelo de gobernanza de los 3 pilares._

## Retos de auditoría en la era de sistemas autónomos

- Link: https://auditoriainteligente.com/retos-de-auditoria-en-la-era-de-sistemas-autonomos/
- Published: 2026-07-28T01:07:54-04:00
- Author: Christian Vargas

**TL;DR**

La evolución tecnológica hacia la inteligencia artificial agéntica exige una transformación
radical en las metodologías de auditoría interna. A diferencia del software determinista
basado en reglas, estos sistemas operan de forma autónoma y orientada a objetivos,
lo que invalida los enfoques de control tradicionales diseñados para procesos rígidos.

Para garantizar la confianza, los auditores deben enfocarse en supervisar perímetros
dinámicos, identidades de máquinas y la trazabilidad del razonamiento algorítmico.
Este nuevo enfoque busca reducir los riesgos que puede traer la autonomía inteligente
al poner en marcha medidas de seguridad técnicas que garanticen que las acciones
estén en línea con los objetivos de la organización.

En [nuestro artículo anterior](https://auditoriainteligente.com/auditoria-y-confianza-en-la-era-de-la-empresa-agentica/),
exploramos cómo la "permacrisis" global ha empujado a las organizaciones hacia la**
Empresa Agéntica**, un modelo donde delegamos la toma de decisiones y la ejecución
de tareas a sistemas autónomos para garantizar la supervivencia y competitividad
del negocio. Establecimos que, en este nuevo ecosistema, el auditor debe dejar de
ser un historiador del riesgo para convertirse en un "arquitecto de la confianza".

Sin embargo, al plantear esta evolución en comités de auditoría o reuniones de junta
directiva, es común encontrarse con una respuesta escéptica: “_Nosotros ya auditamos
robots. Llevamos años auditando procesos de RPA (Robotic Process Automation) y algoritmos
financieros. ¿Qué tiene esto de diferente?"_

Esta falsa sensación de seguridad es, quizás, el punto ciego más peligroso para 
los directores de auditoría (CAEs) en la actualidad. Asumir que las metodologías
de control interno diseñadas para el software determinista del pasado funcionarán
para la inteligencia artificial probabilística de hoy **es un error estratégico 
fundamental**.

Para gobernar el futuro, primero debemos desaprender los paradigmas del pasado. 
Debemos comprender a profundidad la anatomía de este **salto cuántico** tecnológico.

## La ilusión del control: el paradigma del RPA

Durante la última década, las áreas de auditoría interna perfeccionaron el arte 
de evaluar la Automatización Robótica de Procesos (RPA). El RPA fue revolucionario
en su momento, pero su naturaleza es estrictamente **determinista **(que funciona
bajo una lógica rígida).

Pensemos en el RPA como un tren de carga. Un tren es potente y eficiente, pero solo
puede viajar por donde se han tendido las vías físicas. Funciona bajo una lógica
inquebrantable basada en reglas: _If / Then / Else_ (Si ocurre A, entonces haz B;
de lo contrario, haz C). Su capacidad de acción es exacta y preprogramada.

En este paradigma, el manejo de excepciones es _binario_. Si el "tren" del RPA encuentra
un obstáculo en la vía (por ejemplo, una factura con un formato no estructurado 
o un campo vacío en una base de datos), el sistema simplemente se detiene. Genera
una alerta de error, interrumpe el proceso y espera a que un humano intervenga para
resolver la anomalía.

Para nosotros, los auditores, este entorno era sumamente auditable. Nuestro enfoque
se basaba en revisar los "planos de las vías": hacíamos pruebas de código, evaluábamos
la segregación de funciones, revisábamos los _scripts_ de los desarrolladores y 
hacíamos un muestreo de las transacciones para asegurar que las reglas matemáticas
se aplicaban sin desviación. El riesgo estaba acotado por la rigidez del sistema.

## La transición: la IA generativa y los "copilotos"

Con la explosión masiva de los Modelos Fundacionales de Lenguaje (LLMs por sus siglas
en inglés) a finales de 2022 gracias a GPT, el paradigma cambió de lo determinista
a lo **probabilístico**. Entramos en la era de la inteligencia artificial generativa
y los "asistentes virtuales" o copilotos.

Aquí, el sistema ya no sigue reglas estrictas de código, sino que es _reactivo _y
está basado en instrucciones en lenguaje natural (_prompts_). Le pedimos a la IA
que analice un contrato o redacte un informe, y la máquina genera un resultado basado
en predicciones estadísticas de lenguaje.

Sin embargo, en esta fase transicional, la [IA seguía careciendo de verdadera _agencia_](https://auditoriainteligente.com/sesgo-algoritmico-y-calidad-de-datos-los-defectos-silenciosos-que-minan-la-confianza/).
La máquina podía sugerir acciones, redactar contenidos brillantes o identificar 
anomalías, pero **el humano seguía siendo el ejecutor final**. El humano revisaba
el texto, corregía el análisis y presionaba el botón de "Enviar" o "Aprobar". El
manejo de excepciones en esta etapa se tradujo en que, ante la ambigüedad, la IA
pedía clarificación o, en el peor de los casos, generaba una "alucinación" (información
falsa presentada con aparente seguridad).

El enfoque de auditoría evolucionó, por supuesto. Comenzamos a auditar la privacidad
de los datos de entrenamiento para evitar fugas de información corporativa, a evaluar
el sesgo algorítmico y a medir la precisión de las respuestas. Pero, al final del
día, el riesgo de ejecución seguía mitigado por el "humano en el bucle" (_Human-
in-the-Loop_).

[Como señala la consultora global McKinsey & Company en sus investigaciones sobre el estado de la IA](https://www.mckinsey.com/capabilities/quantumblack/our-insights/the-state-of-ai),
el valor económico real no reside únicamente en generar texto, sino en conectar 
esa inteligencia con los sistemas core para ejecutar flujos de trabajo completos.
Y eso nos lleva al presente.

## El verdadero salto: La IA Agéntica

La Inteligencia Artificial Agéntica abandona las vías del tren del RPA y suelta 
la mano del humano de la era generativa. Si el RPA es un tren, la IA agéntica es
un vehículo explorador autónomo todoterreno.

El paradigma de ejecución cambia radicalmente: **está basado en objetivos (goal-
oriented)**. Ya no le decimos al sistema _cómo_ hacer las cosas paso a paso, ni 
le damos un _prompt_ para que nos sugiera qué hacer. Le damos un objetivo de negocio.
Por ejemplo: _"Optimiza los costos de licencias en la nube en un 15% sin afectar
la latencia de las aplicaciones críticas"_.

A partir de ese objetivo, el agente autónomo utiliza su capacidad de **razonamiento
iterativo** para desglosar la meta en subtareas, planificar una estrategia y actuar.

Su **capacidad de acción** es donde reside el riesgo sistémico. Un agente orquesta
múltiples herramientas de forma independiente. Tiene acceso a APIs (Interfaces de
Programación de Aplicaciones), puede leer bases de datos vectoriales con el contexto
histórico de la empresa, escribir en el ERP financiero, enviar correos electrónicos
a proveedores y ejecutar transacciones, todo sin un humano que presione "Aceptar".

Pero lo más fascinante —y aterrador para un auditor tradicional— es su **manejo 
de excepciones**. A diferencia del RPA, que falla ante lo inesperado, o del chatbot,
que alucina, un sistema agéntico avanzado _se adapta_. Si una API falla o un proveedor
rechaza una negociación, el agente reevalúa su entorno, ajusta su plan de acción
en milisegundos y busca una ruta alternativa dinámica para cumplir su objetivo principal.
Es resiliente, persistente y autónomo.

## El nuevo enfoque de la auditoría continua

![Infografía de IA para auditoría conectando fuentes de datos a un tablero con métricas
de riesgo, controles y hallazgos](https://auditoriainteligente.com/wp-content/uploads/
2026/07/portada-agenticai-2-1-1024x579.png)

Auditar código estático o evaluar la precisión de un _prompt_ es insuficiente cuando
el sistema inventa su propio camino. El salto cuántico tecnológico exige un avance
radical en nuestras metodologías de aseguramiento.

Dentro del ecosistema de la empresa agéntica, la labor de auditoría evoluciona hacia
una **supervisión constante de los perímetros y marcos de actuación**. El foco ya
no está en inspeccionar el recorrido trazado, sino en verificar la integridad de
las fronteras que delimitan y protegen al sistema.

 1. **Auditoría de guardrails dinámicos:** Debemos certificar que el sistema cuenta
    con "barandillas" algorítmicas infranqueables. Por ejemplo, restricciones absolutas
    de que un agente de tesorería jamás pueda aprobar transferencias superiores a $
    50,000 sin intervención humana, independientemente de la lógica que haya razonado
    para intentarlo.
 2. **RBAC específico de máquina:** El control de acceso basado en roles (RBAC) tradicionalmente
    se asignaba a humanos. Hoy, los auditores deben evaluar la identidad criptográfica
    de las máquinas. Un agente debe operar bajo el estricto principio de menor privilegio,
    asegurando que las herramientas (APIs) a las que tiene acceso no le otorguen una"
    agencia excesiva".
 3. **Trazabilidad inmutable del razonamiento:** Cuando el resultado de una acción 
    autónoma genere un impacto financiero, el auditor no puede conformarse con saber
    _qué_ hizo el sistema; debe poder reconstruir _por qué_ lo hizo. Necesitamos logs
    inmutables que capturen la "cadena de pensamiento" (_Chain-of-Thought_) del agente
    antes de la ejecución.

## Mirando hacia el futuro

El salto cuántico es irreversible. Las organizaciones que intenten gobernar sistemas
orientados a objetivos utilizando metodologías diseñadas para sistemas basados en
reglas [están sembrando las semillas de su propio fracaso operativo](https://auditoriainteligente.com/la-brecha-de-gobernanza-en-ia-el-riesgo-que-muchas-empresas-pasan-por-alto/).

Comprender esta diferencia estructural entre la automatización ciega y la autonomía
inteligente es el primer paso para convertirnos en los arquitectos de la confianza
que nuestras organizaciones demandan. Pero, ¿qué sucede cuando dotamos de excesiva
agencia a estos sistemas? ¿Qué pasa cuando múltiples agentes comienzan a interactuar
entre sí a espaldas de los humanos?

_En el próximo artículo de esta serie, profundizaremos en el nuevo Mapa de Riesgos
Emergentes. Exploraremos escenarios reales que amenazan a la Empresa Agéntica, desde
la "Agencia Excesiva" hasta los devastadores "Comportamientos Emergentes" que desafían
la taxonomía clásica de riesgos empresariales._

## Auditoría y confianza en la era de la empresa agéntica

- Link: https://auditoriainteligente.com/auditoria-y-confianza-en-la-era-de-la-empresa-agentica/
- Published: 2026-07-20T23:15:19-04:00
- Author: Christian Vargas

**TL;DR**

Las organizaciones están transitando de la inteligencia artificial asistencial a
la empresa agéntica, donde sistemas autónomos toman decisiones operativas y financieras
sin intervención humana. Este cambio busca responder con agilidad a la volatilidad
global, exigiendo una transformación profunda en los marcos tradicionales de control
interno y gestión de riesgos.

La auditoría interna debería ampliarse desde la revisión retrospectiva hacia un 
papel de asesoría estratégica y previsión. Con los nuevos estándares globales, los
auditores deben participar en el diseño de tecnologías automáticas para asegurar
el control, la ética y la confianza en las operaciones automáticas.

Retrocedamos apenas un par de años y la adopción de la inteligencia artificial en
el entorno corporativo se sentía como una novedad fascinante, pero relativamente
contenida. Nos maravillábamos con asistentes virtuales capaces de redactar correos
electrónicos con tono impecable, resumir informes financieros de cincuenta páginas
en tres viñetas o generar código de programación a partir de instrucciones básicas.
Era la era del ‘copiloto’: una herramienta poderosa, sí, pero que siempre requería
que un humano estuviera al volante, validando cada giro y pisando el acelerador.

Ese paradigma hoy está fuera de época. Hemos cruzado un punto de inflexión tecnológico
y operativo de forma silenciosa. Ya no estamos en la era de la asistencia, sino 
que hemos entrado de lleno en el amanecer de la **empresa agéntica** (The Agentic
Enterprise).

Como Directores de Auditoría (CAEs), líderes de riesgo y profesionales del control
interno, esto no es un mero avance de software para que el departamento de TI administre.
Es un cambio tectónico en la forma en que el riesgo se manifiesta en nuestras organizaciones
y, por lo tanto, exige una transformación radical en nuestra forma de auditar.

## ¿Qué es exactamente una empresa agéntica?

Para comprender la magnitud de este cambio, debemos aislar una palabra clave: **
Agencia**.

En sociología y filosofía, la agencia es la capacidad de un individuo para actuar
independientemente y tomar sus propias decisiones libres. En el terreno de la tecnología,
una compañía agéntica es **aquella que cede esta capacidad a redes de sistemas de
inteligencia artificia**l. Ya no se habla de algoritmos que analizan una gran cantidad
de datos para ofrecer un panel de control (dashboard) a un gerente humano. Estamos
hablando de sistemas autónomos que operan en segundo plano, interactuando directamente
con nuestros ERPs (sistemas de planificación de recursos), ejecutando pagos, renegociando
contratos con proveedores en tiempo real o ajustando la cadena de suministro sin
intervención humana directa.

Los incentivos para que las empresas acometan esta transformación son enormes e 
innegables. Los consejos directivos y los CEOs quieren una hiper-eficiencia operativa,
una escalabilidad sin precedentes y, sobre todo, la capacidad de reaccionar en milisegundos
operando 24 horas al día, 7 días a la semana. En un escenario competitivo tan encarnizado,
la delegación de decisiones tácticas a redes autónomas de IA no se contempla ya 
como ventaja competitiva, sino como requisito de supervivencia.

Sin embargo, esta velocidad plantea un desafío existencial para la función de Auditoría:¿
Cómo garantizamos el control, la ética y la trazabilidad de decisiones que ocurren
en fracciones de segundo y de forma autónoma? Intentar auditar a una empresa agéntica
con los marcos de control interno diseñados para el software del siglo XX es tan
ineficaz como detener un tren bala con una señal de alto de madera.

## La paradoja del control en tiempos de permacrisis

Para comprender por qué las empresas están dispuestas a delegar el control a las
máquinas, debemos entender el contexto global en el que operamos. No es una coincidencia
que la Empresa Agéntica surja en este preciso momento de la historia.

Vivimos en un estado de **permacrisis**; como hemos [conversado en publicaciones anteriores](https://auditoriainteligente.com/navegando-la-permacrisis-por-que-la-gestion-de-riesgos-tradicional-ya-no-es-suficiente/),
la permacrisis define un período extendido de inestabilidad global, volatilidad 
en las cadenas de suministro, tensiones geopolíticas e incertidumbre macroeconómica.
Las crisis dejaron de ser incidentes puntuales; ahora constituyen el escenario habitual
de la operación, por lo que proponemos adaptarnos proactivamente.

En la permacrisis, las reglas estáticas y la intervención humana manual son simplemente
lentas. Si a las 3 de la madrugada se rompe la cadena de suministro de un componente
clave por un repentino conflicto geopolítico, esperar hasta el martes a las 10 de
la mañana para que se reúna el comité de compras y busque alternativas puede costar
millones de dólares en pérdidas de producción. La IA agéntica promete resolver esta
lentitud: un sistema que detecta la disrupción, busca proveedores alternativos preaprobados,
negocia la tarifa con base en parámetros históricos y emite la orden de compra antes
de que el director de operaciones despierte.

Aquí es donde se hace más patente nuestra mayor paradoja como profesionales de riesgo:
los sistemas deben ser rápidos y autónomos para que el negocio sobreviva, pero esa
misma autonomía, sin los límites (o _guardrails_) adecuados, es capaz de destruir
la organización a una velocidad jamás vista.

## De autopsia a arquitectura: El mandato de auditoría

La auditoría interna, tradicionalmente, se ha sentido cómoda actuando en el ámbito
de la retrospectiva. El trabajo consistía en evaluar una muestra de transacciones
pasadas, identificar en dónde se habían apartado de las políticas establecidas y
emitir recomendaciones para que el error no se repitiera. En muchos sentidos éramos
excepcionales historiadores del riesgo.

Sin embargo, en la empresa agéntica, este enfoque retrospectivo no sirve de nada.
Si un algoritmo autónomo de nuestra empresa sufre una alucinación lógica y asume
una posición financiera desastrosa en milisegundos, enviar un equipo de auditores
seis meses después a revisar la bitácora de eventos, no es un ejercicio de aseguramiento;
es una **autopsia**. El daño económico, de imagen y legal está hecho, y sucedió 
a la velocidad de la luz.

Nuestra profesión ha visto esta amenaza a nuestra existencia y desde nuestras más
altas esferas hemos respondido. El cambio de paradigma ya no es una propuesta innovadora,
es una norma obligatoria.

Si estudiamos las [Nuevas Normas Globales de Auditoría Interna (NOGAI) que ha publicado el Institute of Internal Auditors (IIA) y que están en vigor desde el año 2024](https://auditoriainteligente.com/el-motivador-regulatorio-para-la-transformacion-digital-de-auditoria-interna/),
observaremos que hay un mensaje claro y contundente, especialmente en su **Dominio
IV (Gestión de la Función de Auditoría Interna)** y en la **Norma 10.3 sobre Recursos
Tecnológicos**. Esta norma establece que el Director de Auditoría Interna (CAE) 
debe asegurar que la función de auditoría adquiera, implemente y utilice de manera
efectiva los recursos tecnológicos necesarios para cumplir con su mandato. En el
contexto actual, esto significa que es inaceptable que la función de auditoría carezca
de las competencias, herramientas y marcos metodológicos para auditar ecosistemas
autónomos. Si el negocio utiliza IA para operar, la auditoría debe dominar la IA
para ejercer control.

Aún más inspirador es el llamado a la acción que plantea la [Visión 2035 del IIA](https://ia-vision2035.org/).
Este proyecto global traza la ruta evolutiva de nuestra profesión, instándonos a
abandonar nuestra zona de confort como meros proveedores de aseguramiento reactivo(
_hindsight_ y _insight_) para convertirnos en asesores estratégicos armados con 
verdadera capacidad de previsión (_foresight_).

Desarrollar _foresight_ en la era de la IA agéntica significa anticiparse a cómo
un modelo autónomo podría fallar antes de que siquiera sea puesto en producción.
Significa sentarse en la mesa de diseño con los ingenieros de datos y los desarrolladores
de software desde el día cero, exigiendo la incorporación de registros inmutables,
límites de autoridad claros y "botones de pánico" (kill switches) automatizados.

## El arquitecto de la confianza

![Profesional gestionando una red digital de flujos de datos, ciberseguridad y agentes
de IA para auditoría inteligente](https://auditoriainteligente.com/wp-content/uploads/
2026/07/imagen-gob-ai-2026-02-1024x572.png)

Profesional gestionando una red digital de flujos de datos, ciberseguridad y agentes
de IA

El riesgo tecnológico ha dejado de ser una preocupación de nicho confinada a los
sótanos del departamento de TI; hoy es el riesgo estratégico número uno del negocio.
Cuando la inteligencia artificial asume la agencia sobre decisiones financieras,
operativas y legales de nuestra organización, la confianza no puede darse por sentada.
No podemos simplemente confiar ciegamente en la reputación del proveedor tecnológico
que nos vendió el modelo fundacional.

La confianza, en la empresa agéntica, no se asume; **se diseña, se orquesta y se
audita de forma continua.**

Como auditores internos, tenemos la oportunidad de redefinir nuestro rol para diseñar
y auditar la confianza en la era de la IA. Debemos despojarnos del traje de revisores
retrospectivos y asumir nuestro nuevo rol: debemos convertirnos en los **arquitectos
de la confianza**. Solo así garantizaremos que, mientras la IA acelera la competitividad
de nuestras empresas a través de la permacrisis, los frenos institucionales funcionen
con absoluta precisión.

_En la próxima entrega de esta serie, desglosaremos a nivel técnico y operativo 
exactamente cómo se ve este salto cuántico. Dejaremos atrás la automatización tradicional(
RPA) para adentrarnos en la anatomía de un sistema autónomo y entender cómo el auditor
debe evaluar sistemas que ya no siguen reglas estrictas, sino que razonan por sí
mismos._

## Acelerador digital y hoja de ruta para el aseguramiento moderno

- Link: https://auditoriainteligente.com/acelerador-digital-y-hoja-de-ruta-para-el-aseguramiento-moderno/
- Published: 2026-06-25T00:26:10-04:00
- Author: Christian Vargas

En el [tercer artículo](https://auditoriainteligente.com/mapeando-coso-en-el-modelo-de-las-tres-lineas/)
realizamos una detallada “plantilla arquitectónica”. Hemos mostrado que una buena
gobernanza en la era digital se logra al usar con cuidado los 5 elementos del Marco
COSO y al adaptarlos de manera clara a las responsabilidades de colaboración del
Modelo de las Tres Líneas de Defensa del IIA. La Primera Línea ejerce el control,
la Segunda asesora a través de la evaluación dinámica del riesgo, y la Tercera asegura
continuamente, todo ello dirigido por la Junta Directiva.

Pero, como todo líder corporativo sabe, las mejores estrategias diseñadas sobre 
papel tienden a morir fulminadas al chocar con la cruda realidad del "lunes por 
la mañana". Si nos quedamos con este modelo teórico, la organización volverá rápidamente
a la [inercia de los silos departamentales](https://auditoriainteligente.com/gobernanza-moderna-derribar-silos-para-acelerar-la-innovacion-segura/),
operando con correos electrónicos fragmentados y hojas de cálculo desactualizadas.

En este cuarto y último artículo de nuestra serie de _Sinergia Organizacional_, 
dejaremos de lado la filosofía para adentrarnos en la práctica de su implementación.
Vamos a explorar la herramienta exacta que pone en práctica este modelo, desglosaremos
el verdadero costo de ignorarlo mediante un caso de estudio del mundo real y le 
ofreceremos una hoja de ruta de tres pasos para transformar la gobernanza de su 
empresa hoy mismo.

## El "mapeo cruzado" o crosswalk digital bajo COSO

¿Cómo evitamos en la práctica el típico síndrome corporativo de “_yo creí que ese
control era de Auditoría” _o _“yo pensé que TI lo estaba revisando_”? La respuesta
está en la evolución de un viejo conocido en el mundo del cumplimiento: la Matriz
de Riesgos y Controles.

Para lograr la sinergia que demanda la era digital, necesitamos convertir esta tabla
plana en una matriz de control digital basada en el “mapeo cruzado” (Crosswalk).
En un modelo tradicional, Operaciones ve un riesgo desde su óptica de rentabilidad,
Riesgos lo observa desde una perspectiva normativa y Auditoría lo analiza en función
de su plan anual. Hablan del mismo riesgo, **pero no lo relacionan**.

Al hacer el cruce en una matriz moderna, estamos tomando un riesgo unificado y lo
estamos anclando irrevocablemente a un principio. Veamos un ejemplo práctico: **
El peligro de que haya una fuga masiva de datos de clientes en nuestra aplicación
web alojada en la nube.**

 1. **El ancla metódica:** Acto seguido, conectamos este riesgo tecnológico con nuestra
    base común, por ejemplo, el Principio 11 de COSO (_Selecciona y desarrolla controles
    generales sobre la tecnología_).
 2. **La asignación de roles (el crosswalk): En esa misma fila de la matriz, obligamos
    a las tres líneas a definir su rol exacto, sin solapamiento:**

 * **Primera línea (TI/Negocio):** Se compromete a diseñar y configurar la base 
   de datos con encriptación de extremo a extremo y doble factor de autenticación
   embebido en el código (Actividad de Control).
 * **Segunda línea (Ciberseguridad): **Se compromete a monitorear las tendencias
   de tráfico web de forma continua, 24/7, mediante herramientas analíticas y de
   Risk Sensing, detectando cualquier intento de violación de dicha configuración
   por parte de actores externos (Evaluación de Riesgo).
 * **Tercera línea (Auditoría interna): **Se compromete a auditar, a través de scripts
   automatizados, la solidez del diseño arquitectónico que aprobó la Primera Línea(
   Actividades de monitoreo).

Este nivel de claridad elimina las zonas grises de un tajo. Todos están trabajando
en el mismo riesgo, con el mismo principio metodológico COSO, pero en responsabilidades
complementarias. Este “blueprint” o matriz exacta es lo que sus ingenieros luego
tienen que programar dentro del software de gestión corporativa (GRC).

## El costo de los silos vs. el valor de la sinergia (casos reales)

Todo este proceso de reestructuración puede parecer un esfuerzo titánico. Para entender
por qué es una inversión de supervivencia, debemos contrastar qué pasa cuando se
ignora la sinergia con lo que pasa cuando se adopta como el ADN de la compañía.

### El desastre de aseguramiento (sin sinergia): La anatomía del caso Equifax

Vamos a mirar hacia el año 2017, cuando Equifax, una de las agencias de informes
crediticios más grandes del mundo, sufrió una violación que expuso los datos personales
de más de 147 millones de consumidores. Como se señala en el detallado [“Informe Oficial del Congreso de EE. UU. sobre la Brecha de Equifax”](https://www.govinfo.gov/content/pkg/GOVPUB-Y4_G74_7-PURL-gpo191321/pdf/GOVPUB-Y4_G74_7-PURL-gpo191321.pdf),
este desastre no fue simplemente la obra maestra de un hacker brillante e indetectable.
Fue un fallo catastrófico fundamental de operar en “silos organizacionales” y una
ruptura total del COSO.

La primera línea, el departamento de TI, recibió la alerta crítica por parte del
gobierno para actualizar un parche de seguridad en un software vulnerable (Apache
Struts), pero el proceso falló y no se ejecutó en todos los servidores. Al mismo
tiempo, la Segunda Línea (Seguridad de la Información) estaba ejecutando escaneos
de red, pero no vieron la vulnerabilidad, ya que sus herramientas no estaban integradas
con el inventario completo que tenía TI. La Tercera Línea (Auditoría Interna), no
contaba con procesos de monitoreo continuo sobre la efectividad de la política de
parcheo.

El componente de Información y Comunicación de COSO **estaba totalmente roto**. 
Las líneas no tenían la misma taxonomía, ni miraban el mismo tablero de riesgos.
El resultado final fue un histórico daño reputacional, caída del valor de sus acciones
y pérdida financiera multimillonaria en multas. Ese es el costo de trabajar en silos.

### El éxito (con sinergia): La gobernanza integrada de Microsoft

Ahora bien, veamos el otro lado de la moneda. Veamos cómo funciona la gobernanza
interna actual en gigantes tecnológicos como Microsoft, con su enfoque de Gestión
de Riesgos Integrada ([Integrated Risk Management – IRM](https://learn.microsoft.com/en-us/compliance/assurance/assurance-governance)).

Microsoft pronto entendió que no puede frenar la despiadada innovación de sus equipos
de desarrollo (Primera Línea) para que cumplan con formularios de riesgo manuales.
Lo que hicieron fue poner en marcha una única taxonomía de riesgos a nivel global.
Cuando la Primera Línea diseña un nuevo servicio en Azure, el riesgo inherente de
ese despliegue se ingresa en una plataforma GRC centralizada. Los equipos de Cumplimiento
y Seguridad (Segunda Línea) automáticamente obtienen visibilidad en tiempo real 
de los controles de seguridad que la Primera Línea incrustó en el código. Finalmente,
Auditoría Interna (Tercera Línea) utiliza herramientas de análisis de grandes cantidades
de datos para hacer un aseguramiento continuo sobre ese mismo universo de registros.

En Microsoft todos están mirando la misma pantalla. Han entendido que la tecnología
no es su defensa por sí sola; su verdadera defensa es la **sinergia que habilita
la tecnología** y guía marcos de trabajo estructurados y compartidos.

## La realidad del terreno para la implementación

Con beneficios tan claros y consecuencias tan catastróficas de no hacerlo, ¿por 
qué no están todas las empresas operando de esta manera ahora mismo? Debemos ser
realistas. La implementación de esta matriz de control digital choca con tres tremendas
fricciones:

 1. **Resistencia cultural:** En el mundo de la consultoría solemos decir que “_la 
    tecnología es lo fácil; lo verdaderamente difícil es _**_cambiar las mentes de 
    la gente_**”. Los departamentos están acostumbrados a sus porciones de poder. Operaciones
    no quiere que Riesgos “se meta” en su software, y a veces, Auditoría Interna malinterpreta
    la idea de “independencia” como “aislamiento absoluto”, negándose a trabajar juntos
    en el diseño preventivo de los controles. Para superar la inercia del “_siempre
    lo hemos hecho así_” se requiere de un liderazgo férreo y visionario desde la Junta
    Directiva (Entorno de Control).
 2. **La calidad de los datos:** En artículos anteriores hemos hablado de auditoría
    continua y el uso de inteligencia artificial. Todo esto es lindo en teoría, pero
    sigue una regla de oro universal de las ciencias computacionales: _Basura entra,
    basura sale_ (Garbage in, garbage out). Si su empresa tiene los datos transaccionales
    en un sistema legado (viejo) y sus matrices de riesgo viven en hojas de cálculo
    llenas de errores manuales, ninguna IA podrá generar alertas milagrosas. _El gobierno
    de datos es un requisito previo innegociable_.
 3. **El presupuesto y la deuda tecnológica:** Una plataforma GRC sólida que aúne a
    las tres líneas tiene un precio, y su conexión con la infraestructura existente
    requiere tiempo. El verdadero desafío de los líderes de Riesgos y de Auditoría 
    radica en saber cómo vender este caso de negocio al Cuerpo de Gobierno. No deben
    venderlo como un “_gasto administrativo para que el auditor esté más cómodo_”, 
    sino como una **inversión estratégica en agilidad** para que el negocio pueda escalar
    sin sufrir el destino de Equifax.

## Tres pasos para el lunes por la mañana

![Profesionales derribando un muro que dice Inercia del pasado para revelar un entorno
luminoso de la era digital](https://auditoriainteligente.com/wp-content/uploads/
2026/06/coso-digital_8-1024x572.png)

Profesionales derribando un muro que dice Inercia del pasado para revelar un entorno
luminoso de la era digital (Gemini/Auditoría Inteligente)

Para que no nos paralicemos por análisis ante la magnitud de este cambio, le propongo
una hoja de ruta con tres pasos inmediatos. No trate de convertir toda la empresa
en una semana.

 * **Paso 1: Unificar la taxonomía (plazo cortísimo – inmediato).** Lo primero y
   más rentable que puede hacer no requiere de presupuesto. El próximo lunes nos
   reuniremos con los líderes de Operaciones, Riesgos y Auditoría, y definiremos:"
   _A partir de hoy, nuestros riesgos y controles se van a clasificar con base en
   los 17 principios de COSO_". Evitar el uso de jergas departamentales y adoptar
   un lenguaje común para reducir los silos organizacionales.
 * **Paso 2: El Comité Piloto (plazo corto – 30 días).** No pretenda hacer el mapeo
   de todos los procesos de la empresa simultáneamente: elijan solo un proceso crítico
   como “Plan piloto” (por ejemplo, Gestión de Accesos de TI, o Compras). Los representantes
   de las 3 líneas están en la misma sala virtual. Ellos aplican el “Mapeo Cruzado”
   a ese único proceso, definiendo sin ambigüedades quién hace qué. Con esto se 
   mostrará la intención de colaborar de forma estrecha, _sin comprometer la independencia
   de nadie._
 * **Paso 3: La evolución tecnológica (mediano plazo – 90 días).** Haga un inventario
   honesto de cómo y dónde guarda la empresa sus matrices de riesgo y sus evidencias
   de monitoreo. Si descubre que la organización depende de decenas de archivos 
   fragmentados de Excel en forma crítica, es el momento perfecto para que la Segunda
   y Tercera línea se unan, diseñen un caso de negocio conjunto y vayan a la Junta
   Directiva a solicitar una plataforma moderna de GRC.

## El ADN de la gobernanza moderna

A lo [largo ](https://auditoriainteligente.com/gobernanza-moderna-derribar-silos-para-acelerar-la-innovacion-segura/)
[de ](https://auditoriainteligente.com/rescatando-a-coso-y-las-tres-lineas-del-pasado-analogico/)
[esta ](https://auditoriainteligente.com/mapeando-coso-en-el-modelo-de-las-tres-lineas/)
serie, hemos desglosado el desafío de la hiperconectividad, hemos modernizado el
Marco COSO y el Modelo de las Tres Líneas, y hemos aterrizado la teoría en matrices
de control digital.

Si tuviésemos que resumir todo este esfuerzo en un solo postulado, este sería: **
La tecnología más avanzada no lo va a proteger por sí sola.** Un caro firewall de
última generación es inútil si está mal configurado por la primera línea y nadie
lo audita. **Los marcos metodológicos más rigurosos, por su parte, no por sí solos
lo harán más rápido**. Ese libro COSO brillante, impreso y guardado en el cajón 
de un director, solo sirve para acumular polvo.

_Solo y exclusivamente la **sinergia **entre el rigor atemporal de COSO, la distribución
innegociable de responsabilidades de las Tres Líneas, y el músculo automatizado 
de la digitalización, harán de la gobernanza y del control interno de su organización,
su mayor y más duradera ventaja competitiva._
