Gobierno y confianza: la nueva infraestructura invisible
La confianza siempre fue un activo central del sistema financiero, sin embargo, con la incorporación de inteligencia artificial, ya no alcanza con proteger la información frente a accesos no autorizados. Las instituciones también deben poder demostrar que los datos fueron recolectados legítimamente, utilizados para una finalidad definida, procesados bajo controles adecuados y eliminados o anonimizados cuando ya no resulta necesario conservarlos.
La pregunta, entonces es si la institución puede explicar qué datos utilizó, con qué autorización, durante cuánto tiempo los conservó, quién pudo acceder a ellos, qué decisiones se tomaron a partir de esa información y cómo se puede reconstruir el proceso ante un cliente, un auditor o un organismo regulador.
En Argentina, este desafío se encuentra principalmente vinculado con la Ley 25.326 de Protección de los Datos Personales y su Decreto Reglamentario 1558/2001, además de la normativa complementaria emitida por la Agencia de Acceso a la Información Pública. La ley establece principios relevantes para cualquier iniciativa de IA: los datos deben ser adecuados, pertinentes y no excesivos respecto de la finalidad para la que fueron obtenidos; deben mantenerse exactos y actualizados; y no pueden utilizarse para finalidades incompatibles con aquellas que justificaron su recolección.
Estos principios adquieren una nueva complejidad cuando las entidades utilizan grandes volúmenes de información para entrenar modelos, enriquecer perfiles, detectar patrones o personalizar productos. La posibilidad técnica de utilizar un dato no significa automáticamente que exista legitimidad para hacerlo. Un banco o una fintech puede tener acceso a información transaccional, comportamental, documental y contextual, pero debe poder justificar por qué la utiliza, cuál es la base legal del tratamiento y qué relación existe entre ese uso y el servicio ofrecido.
En el mercado financiero, esta distinción resulta especialmente importante porque la información puede tener efectos directos sobre la vida económica de las personas. Una clasificación algorítmica puede influir en el acceso al crédito, en el límite asignado, en la detección de una operación sospechosa, en la aprobación de una cuenta o en la priorización de una gestión de cobranza.
Por eso, los sistemas de IA que intervienen en crédito, fraude, cumplimiento o atención necesitan una gobernanza más exigente que una aplicación interna de productividad. Deben contemplar calidad de datos, minimización, segregación de información, controles de acceso, cifrado, trazabilidad, evaluación de sesgos, supervisión humana y mecanismos de revisión.
La seguridad tampoco puede concentrarse únicamente en el perímetro de la infraestructura. En un entorno de IA, los riesgos pueden producirse a través de instrucciones maliciosas, exposición de información sensible en consultas, uso indebido de modelos externos, extracción de datos desde bases vectoriales, accesos excesivos, errores de configuración o falta de control sobre los proveedores tecnológicos.
Esto modifica la agenda del CIO. Ya no se trata únicamente de decidir dónde alojar una aplicación o qué modelo utilizar, es necesario definir qué información puede salir de la organización, qué datos pueden utilizarse para entrenamiento, cómo se separan los ambientes, cómo se gestionan los secretos y credenciales, cómo se registran las interacciones y qué ocurre cuando un proveedor externo participa del procesamiento.
La gestión de terceros adquiere una importancia particular.
Muchas instituciones no entrenarán modelos propios, sino que construirán soluciones sobre modelos fundacionales provistos por empresas tecnológicas externas. El estudio global de Cambridge sobre IA en servicios financieros publicado en 2026 muestra que el 63% de las instituciones del sector utiliza flujos internos construidos sobre modelos fundacionales externos. El mismo informe advierte que los tres principales proveedores de nube concentran más del 80% del uso de infraestructura cloud entre las organizaciones financieras encuestadas.
Estos datos permiten dimensionar un riesgo que va más allá de la privacidad individual: la concentración tecnológica. Una institución puede proteger adecuadamente sus datos y, aun así, quedar expuesta a cambios de condiciones comerciales, indisponibilidad de servicios, dependencia de una plataforma o restricciones sobre dónde y cómo se procesan sus datos.
Esto significa que la privacidad no debe ser tratada como un documento legal que se revisa al final del proyecto es imperativo incorporarla al diseño de la solución. Antes de implementar un modelo, la organización debería definir qué datos necesita, qué datos no necesita, quién puede acceder, cuánto tiempo deben conservarse, qué controles se aplican y cómo se responderá frente a una solicitud de acceso, rectificación o supresión.
El mismo criterio debe aplicarse a la información utilizada para desarrollar asistentes y sistemas de recuperación aumentada. Si un copiloto puede consultar contratos, legajos, reclamos, reportes de riesgo o documentación de clientes, no basta con proteger la plataforma. Es necesario implementar permisos por rol, segmentación por contexto, filtros de información sensible, control de fuentes y registros de cada interacción.
En este punto, Practia integra seguridad, datos, arquitectura y gobierno como parte de la transformación, no como una instancia posterior de validación. Nuestro enfoque contempla la identificación de los activos de información, la clasificación de datos, el diseño de controles de acceso, la trazabilidad del ciclo de vida del dato, la evaluación de proveedores, la integración segura con sistemas existentes y la definición de mecanismos de monitoreo.
“Para el CIO, esto implica construir una arquitectura que permita innovar sin perder control. Para las áreas de negocio, supone asumir que la calidad y legitimidad de los datos forman parte del producto financiero que están diseñando. Para compliance y legal, significa participar desde el comienzo para traducir la regulación en criterios aplicables al ciclo de vida de la IA. Para el directorio, esto implica comprender que la privacidad y la seguridad no son únicamente restricciones al crecimiento. Son condiciones para que la innovación sea sostenible y para que la institución pueda preservar su reputación, reducir su exposición regulatoria y mantener la confianza de sus clientes.”
Para las entidades, esto implica que no solo deben disponer de información, sino también poder relacionarla, analizarla y demostrar cómo fue utilizada. La trazabilidad se convierte así en un requisito operativo: cada decisión relevante debería poder vincularse con sus datos de origen, su modelo, sus reglas y la persona o área responsable.
En el mercado financiero argentino, donde conviven bancos, fintech, proveedores de servicios de pago, plataformas de crédito y actores del mercado de capitales, la superficie de exposición aumenta. Los datos circulan entre canales, proveedores y ecosistemas interconectados. La organización que no tenga claridad sobre sus flujos de información puede perder visibilidad sobre dónde se procesan sus datos y quién tiene capacidad efectiva de utilizarlos.
Por eso, el desafío no es elegir entre innovación y control debemos pensar en el diseño de una transformación en la que la seguridad, la privacidad y el gobierno formen parte de la arquitectura de valor. Una IA que no puede ser explicada, auditada y protegida difícilmente podrá escalar en una institución financiera.
Por tanto es necesario preguntarnos, respecto de la intervención humanar en qué puntos esta transformación debe producirse, con qué información y con qué responsabilidad. Y, sobre todo, si la organización está construyendo una inteligencia artificial que solamente automatiza decisiones o una capacidad empresarial capaz de generar valor sin comprometer la confianza que sostiene al sistema financiero.
