México avanza hacia su primera regulación integral de inteligencia artificial. Aunque todavía no existe una ley general aprobada, ya hay iniciativas en el Congreso que proponen un modelo de "semáforos de riesgo" para clasificar los sistemas de IA según su impacto, junto con reglas sectoriales específicas para telecomunicaciones, el ámbito laboral y la protección de datos. En las conversaciones que tenemos con clientes -tanto en las mesas técnicas de transformación como en las comerciales-, notamos que esta discusión regulatoria está poniendo sobre la mesa una pregunta que muchas empresas todavía no pueden responder con seguridad: ¿realmente saben dónde están sus datos, qué tan confiables son y quién puede acceder a ellos?
Esa pregunta, que parecía técnica hace apenas un par de años, hoy es también regulatoria. Las propuestas que se discuten en México plantean obligaciones concretas para las empresas que usen sistemas de IA de alto riesgo: registro y certificación de esos sistemas, transparencia sobre cómo toman decisiones, supervisión humana obligatoria y mecanismos para que una persona pueda cuestionar una decisión automatizada. Ninguna de esas obligaciones se puede cumplir si una organización no tiene control sobre la calidad, el origen y la trazabilidad de la información que alimenta a esos sistemas.
Aquí es donde muchas empresas descubren que el obstáculo real para escalar la IA no es la tecnología, sino la gobernanza y la calidad de sus datos. En los entornos ERP esto se nota especialmente: información duplicada entre sistemas, estructuras heredadas de años de crecimiento y desarrollos personalizados que nadie termina de documentar del todo. Sobre esa base, un proyecto de inteligencia artificial puede avanzar rápido en una prueba piloto, pero difícilmente sostenerse cuando se le exige trazabilidad, auditoría o cumplimiento regulatorio.
Últimos días para ser parte del estudio: Panorama del Mercado de Software de Gestión en México
Por eso, a nuestro juicio, la conversación sobre IA en las empresas mexicanas no debería empezar por la autonomía de los sistemas, sino por la preparación de los datos sobre los que esos sistemas van a operar. Antes de delegar decisiones o análisis a un agente inteligente, una organización necesita saber con certeza dónde vive su información, qué tan confiable es, quién tiene acceso a ella y qué reglas aplican para su uso. Ese trabajo de orden no es un paso previo opcional: es, cada vez más, una condición legal.
Esta preparación se vuelve todavía más relevante durante un proceso de transformación o modernización de ERP. Migrar hacia una nueva arquitectura tecnológica no es solo mover información de un sistema a otro. También obliga a identificar qué datos ya no aportan valor, revisar procesos heredados y definir qué información debe conservarse por razones operativas o regulatorias, y cuál puede sencillamente quedar atrás. Hecho de esta manera, un proyecto de modernización se convierte en la oportunidad natural para resolver, de una vez, el problema de fondo antes de sumar capacidades de inteligencia artificial.
La trazabilidad es otro punto que la discusión regulatoria está empujando hacia el centro de la agenda. Para confiar en una recomendación generada por un sistema de IA, o para poder explicarla ante una autoridad, una auditoría interna o un cliente, las organizaciones necesitan poder reconstruir qué información se usó, qué pasos se siguieron y por qué se llegó a determinada conclusión. Esa capacidad de seguimiento no se improvisa una vez que la ley entra en vigor: se construye, o no, en la forma en que se diseñan los sistemas y se gobiernan los datos desde antes.
La seguridad y los permisos de acceso forman parte de la misma conversación. Cuanto más acceso tenga un sistema de IA a los datos y procesos de una empresa, más importante es definir con claridad quién puede ver qué información, bajo qué condiciones y con qué límites operativos. La autonomía tecnológica sin una gobernanza adecuada no resuelve los riesgos existentes: los multiplica, y en un entorno regulatorio que empieza a exigir supervisión humana y responsabilidad demostrable, eso deja a las empresas expuestas tanto operativa como legalmente.
Hay, además, un argumento de negocio que va más allá del cumplimiento normativo. Invertir en inteligencia artificial sin haber resuelto antes la calidad de los datos y la estructura de los sistemas suele generar expectativas que luego cuesta cumplir: proyectos que arrancan con entusiasmo, avanzan rápido en la etapa de piloto y se estancan apenas se intenta llevarlos a producción, porque la tecnología nueva termina heredando exactamente los mismos problemas que arrastraba la anterior.
Es cierto que en México, como en otros países de la región, existe una brecha histórica entre lo que dictan las leyes y lo que efectivamente ocurre dentro de las instituciones y las empresas. Esa brecha alimenta dudas legítimas sobre qué tan rápido y con qué firmeza se aplicará finalmente cualquier marco regulatorio de IA. Pero esa incertidumbre no debería ser una razón para postergar el trabajo de gobernanza de datos. Al contrario: las organizaciones que ya estén ordenando su información, definiendo responsabilidades claras y documentando sus procesos van a estar mejor preparadas sin importar la velocidad final con la que se consolide la regulación.
El desafío, entonces, no es elegir entre avanzar con la inteligencia artificial o esperar a que la ley esté completamente definida. El desafío es evitar que la adopción de IA avance más rápido que la capacidad de las empresas para gobernarla. Eso exige una estrategia gradual, con objetivos claros y criterios definidos para decidir en qué orden se abordan la limpieza de datos, la modernización de los sistemas y, recién después, la incorporación de capacidades de inteligencia artificial a mayor escala.
Las empresas que entiendan la gobernanza de datos como el punto de partida, y no como un trámite posterior, van a estar mejor posicionadas frente a lo que venga en materia regulatoria en México. Y, más allá de cualquier ley, también van a ser las que consigan que sus inversiones en inteligencia artificial y en transformación de ERP realmente se traduzcan en mejores decisiones de negocio.
