Curso de Gobernanza de IA para Directivos

Definir una ambición realista de IA alineada con la estrategia de la empresa.

Diferenciar adopción oportunista, adopción táctica, transformación por procesos y ventaja competitiva basada en IA.

Identificar áreas donde la IA puede mejorar productividad, calidad, experiencia de cliente, velocidad, análisis o innovación.

Priorizar casos de uso según valor, viabilidad, riesgo, urgencia, datos disponibles y capacidad interna.

Evitar inversiones guiadas solo por moda, presión comercial o casos de uso poco conectados con negocio.

Conectar IA con objetivos estratégicos: crecimiento, eficiencia, diferenciación, resiliencia, cumplimiento y talento.

Definir principios corporativos de uso de IA: utilidad, seguridad, transparencia, control humano y proporcionalidad.

Establecer criterios para decidir qué desarrollar internamente, qué comprar y qué externalizar.

Diseñar una cartera de iniciativas de IA con quick wins, pilotos controlados, proyectos críticos y capacidades estructurales.

Preparar una hoja de ruta directiva con fases, responsables, recursos, hitos, riesgos y métricas de valor.

Comprender el enfoque basado en riesgo del Reglamento Europeo de Inteligencia Artificial.

Diferenciar sistemas prohibidos, sistemas de alto riesgo, sistemas con obligaciones de transparencia y usos de riesgo limitado.

Identificar implicaciones de la alfabetización en IA para empleados y responsables que usan o supervisan sistemas de IA.

Revisar obligaciones progresivas para modelos de propósito general, proveedores, implementadores y usuarios empresariales.

Entender cuándo una empresa puede ser proveedora, deployer, importadora, distribuidora o usuaria de sistemas de IA.

Identificar sistemas que pueden afectar a empleo, selección, evaluación, acceso a servicios, seguridad, crédito o derechos de personas.

Conectar AI Act con GDPR, protección de datos, seguridad, consumo, propiedad intelectual, laboral y normativa sectorial.

Evaluar cuándo un caso de uso requiere análisis legal previo, evaluación de impacto, documentación o controles adicionales.

Preparar un calendario interno de seguimiento normativo y actualización de políticas.

Evitar asumir que una herramienta comercial externa traslada toda la responsabilidad regulatoria al proveedor.

Comprender ISO/IEC 42001 como estándar para establecer, mantener y mejorar un sistema de gestión de IA.

Entender qué aporta un sistema de gestión frente a políticas aisladas o controles informales.

Relacionar gobierno de IA con ciclo PDCA: planificar, implantar, verificar y mejorar.

Revisar elementos de un AI Management System: contexto, liderazgo, planificación, soporte, operación, evaluación y mejora.

Comprender NIST AI RMF como marco para mapear, medir, gestionar y gobernar riesgos de IA.

Traducir marcos de referencia a decisiones ejecutivas, controles, evidencias y responsabilidades internas.

Identificar cómo integrar IA con ISO 27001, privacidad, compliance, gestión de riesgos, auditoría interna y continuidad.

Definir madurez de gobernanza: inicial, controlada, gestionada, integrada y optimizada.

Evitar construir documentación extensa sin procesos reales, owners, métricas ni revisión periódica.

Crear una arquitectura de gobierno basada en estándares, pero adaptada al tamaño y riesgo de la empresa.

Diseñar un modelo de gobierno de IA con responsabilidades claras y escalado de decisiones.

Definir roles: sponsor ejecutivo, comité de IA, owner de caso de uso, owner de datos, IT, seguridad, legal, DPO, RRHH y negocio.

Establecer qué decisiones corresponden a dirección, comité técnico, compliance, áreas de negocio o proveedores.

Crear un comité de IA con mandato, frecuencia, agenda, actas, criterios de aprobación y seguimiento.

Diferenciar gobierno centralizado, federado y distribuido según tamaño, cultura y madurez de la organización.

Definir niveles de aprobación según riesgo, autonomía, datos, impacto en personas y exposición externa.

Crear canales para que empleados propongan casos de uso sin activar shadow AI.

Establecer accountability cuando un modelo falla, una automatización actúa mal o un proveedor incumple.

Diseñar mecanismos de revisión, auditoría, reporting y mejora continua.

Evitar modelos donde todo depende de IT o donde cada área actúa sin coordinación ni control.

Crear un inventario corporativo de herramientas, modelos, automatizaciones, agentes y casos de uso de IA.

Identificar usos formales, pilotos, herramientas SaaS, copilotos, APIs, modelos internos y usos no autorizados.

Recopilar información mínima: finalidad, owner, proveedor, datos usados, usuarios, outputs, impacto y estado.

Clasificar casos por valor, riesgo, madurez, criticidad, frecuencia, autonomía y exposición externa.

Diferenciar IA usada para apoyo, recomendación, automatización parcial y decisión automatizada.

Evaluar impacto sobre empleados, clientes, candidatos, proveedores, consumidores y terceros.

Identificar datos personales, información confidencial, propiedad intelectual, secretos empresariales y datos regulados.

Priorizar revisión de casos que afectan a personas, decisiones relevantes, clientes, reputación o procesos críticos.

Crear fichas de caso de uso con controles, responsables, límites, métricas y plan de seguimiento.

Mantener inventario vivo con altas, cambios, retiradas, auditorías y revisión periódica.

Identificar riesgos propios de IA: alucinaciones, sesgos, opacidad, baja calidad, drift, errores de automatización y dependencia externa.

Evaluar riesgos de privacidad: datos personales, datos sensibles, minimización, base jurídica, retención y transferencia.

Analizar riesgos de seguridad: prompt injection, fuga de datos, credenciales, agentes conectados, APIs y accesos indebidos.

Revisar riesgos de equidad cuando la IA afecta a selección, evaluación, crédito, atención, pricing o priorización.

Evaluar riesgos reputacionales derivados de contenidos incorrectos, discriminatorios, falsos, ofensivos o no autorizados.

Diseñar controles preventivos, detectivos y correctivos para cada nivel de riesgo.

Establecer revisión humana en procesos críticos y decisiones con impacto significativo.

Crear matriz de riesgo con probabilidad, impacto, controles, responsable, evidencia y riesgo residual.

Evitar implantar IA en procesos sensibles sin pruebas, documentación, monitorización y ruta de escalado.

Preparar un procedimiento de revisión de riesgos antes de aprobar nuevos casos de uso.

Comprender que la IA depende de datos, permisos, calidad, trazabilidad y arquitectura segura.

Definir clasificación de información: pública, interna, confidencial, sensible, regulada y restringida.

Establecer normas sobre qué datos pueden introducirse en herramientas de IA y bajo qué condiciones.

Revisar uso de herramientas cloud, modelos privados, entornos on-premise, RAG, APIs y conectores corporativos.

Controlar acceso a documentos, bases de conocimiento, CRM, ERP, correo, repositorios y herramientas colaborativas.

Definir políticas de credenciales, API keys, secretos, tokens, logs y monitorización.

Gestionar retención de prompts, outputs, archivos, conversaciones, embeddings y trazas.

Coordinar IA con ciberseguridad, DPO, arquitectura, IT, legal y responsables de datos.

Revisar riesgos de agentes que leen, escriben, envían, modifican o ejecutan acciones en sistemas internos.

Crear un marco mínimo de seguridad para IA generativa, agentes, automatizaciones y herramientas conectadas.

Evaluar proveedores de IA desde criterios técnicos, legales, financieros, operativos y de seguridad.

Revisar términos de uso, procesamiento de datos, ubicación, subprocesadores, retención, entrenamiento con datos y soporte.

Analizar licencias, propiedad intelectual, derechos sobre outputs, responsabilidad, indemnizaciones y límites contractuales.

Solicitar evidencias de seguridad, compliance, auditorías, certificaciones, políticas de privacidad y continuidad.

Evaluar dependencia de proveedor, portabilidad, exportación de datos, lock-in y plan de salida.

Incorporar cláusulas de uso de datos, confidencialidad, SLA, reporting, incidencias, auditoría y cambios de modelo.

Diferenciar compra de herramienta SaaS, contratación de consultoría, desarrollo a medida, API de modelo y proveedor de infraestructura.

Crear un cuestionario de due diligence específico para proveedores de IA.

Establecer criterios de aprobación de compras según riesgo y criticidad.

Evitar contratar IA desde áreas de negocio sin validación de IT, seguridad, legal y compras cuando aplique.

Crear una política interna de uso de IA clara, práctica y comprensible para empleados.

Definir usos permitidos, usos con aprobación, usos prohibidos y usos que requieren revisión humana.

Establecer normas para herramientas aprobadas, cuentas corporativas, datos internos y documentación sensible.

Regular el uso de IA en redacción, análisis, código, diseño, atención al cliente, RRHH, finanzas y decisiones.

Diseñar formación de alfabetización en IA por roles, riesgo, departamento y nivel de exposición.

Preparar guías rápidas para empleados, managers, equipos técnicos y directivos.

Crear biblioteca de prompts, plantillas, checklists y buenas prácticas aprobadas.

Medir comprensión y adopción mediante encuestas, casos prácticos, incidentes y uso real.

Gestionar resistencias, expectativas irreales, miedo a sustitución y exceso de confianza.

Construir una cultura donde la IA se use con criterio, responsabilidad, transparencia y mejora continua.

Diferenciar uso de IA generativa para apoyo textual y uso de agentes capaces de ejecutar acciones.

Evaluar riesgos específicos de copilotos en suites ofimáticas, CRM, correo, documentos y herramientas colaborativas.

Controlar agentes que pueden consultar datos, crear tareas, enviar mensajes, actualizar registros o lanzar procesos.

Definir límites de autonomía: sugerir, preparar borrador, ejecutar con aprobación o ejecutar automáticamente.

Establecer criterios de supervisión para workflows, agentes multi-herramienta y automatizaciones con impacto operativo.

Gestionar prompt injection, uso indebido de conectores, acciones no previstas y acceso excesivo a información.

Evaluar cuándo un proceso debe ser determinista y cuándo puede incorporar IA generativa.

Diseñar mecanismos de logging, trazabilidad, rollback y revisión de acciones realizadas por agentes.

Crear políticas sobre uso de herramientas como ChatGPT, Copilot, Claude, Gemini, modelos locales u otras plataformas aprobadas.

Evitar que la productividad aparente oculte pérdida de control, errores masivos o exposición de datos.

Definir KPIs para medir valor de la IA: tiempo ahorrado, calidad, ingresos, reducción de errores, satisfacción y velocidad.

Medir adopción por área, tipo de usuario, frecuencia de uso, casos activos y madurez de equipos.

Evaluar retorno de inversión considerando licencias, integración, formación, seguridad, soporte, cambios y mantenimiento.

Controlar costes de modelos, tokens, APIs, infraestructura, consultoría, datos, licencias y observabilidad.

Crear un portfolio de IA con iniciativas en exploración, piloto, producción, escalado, suspendidas y retiradas.

Priorizar inversión según valor esperado, riesgo, dependencia, capacidad interna y urgencia estratégica.

Diferenciar métricas de actividad, métricas de impacto, métricas de riesgo y métricas de cumplimiento.

Preparar reporting ejecutivo de IA para comité de dirección y consejo.

Definir criterios para continuar, pivotar, escalar o retirar un caso de uso.

Evitar mantener pilotos eternos sin owner, métricas, adopción, control de costes ni decisión de negocio.

Diseñar un sistema de monitorización para casos de uso de IA en producción.

Revisar calidad de outputs, errores, quejas, sesgos, cambios de comportamiento, drift y degradación.

Establecer controles de logging para prompts, respuestas, acciones, usuario, fuente de datos y versión de modelo.

Gestionar incidentes de IA: fuga de datos, respuesta dañina, decisión incorrecta, sesgo, automatización fallida o uso no autorizado.

Crear un protocolo de escalado con responsables, tiempos, evidencias, comunicación y medidas correctivas.

Definir auditorías periódicas de casos de uso, proveedores, permisos, documentación, políticas y métricas.

Revisar cambios en modelos, prompts, datasets, herramientas, integraciones y condiciones del proveedor.

Mantener evidencias para compliance, auditoría interna, clientes, reguladores y dirección.

Incorporar aprendizaje de incidentes en formación, controles, contratos y arquitectura.

Construir mejora continua del sistema de gobernanza, no solo cumplimiento documental.

Comprender el impacto de la IA en puestos, competencias, liderazgo y organización del trabajo.

Identificar habilidades que directivos y equipos necesitan: criterio, datos, prompts, supervisión, ética y adaptación.

Diseñar planes de capacitación por rol: empleados, managers, técnicos, legal, RRHH, ventas, marketing y dirección.

Gestionar el cambio cultural evitando miedo, rechazo, dependencia excesiva o uso caótico.

Comunicar la estrategia de IA con claridad: por qué se adopta, qué se espera, qué límites existen y cómo se medirá.

Rediseñar procesos antes de automatizarlos para no escalar ineficiencias.

Preparar a managers para revisar entregables generados con IA y detectar riesgos.

Abordar impacto laboral, recualificación, movilidad interna y evolución de responsabilidades.

Crear una red de champions o referentes de IA por área.

Liderar una adopción que combine productividad, confianza, aprendizaje, responsabilidad y valor sostenible.

Diseñar un modelo completo de gobernanza de IA para una empresa realista.

Definir visión, principios, alcance y objetivos estratégicos de la IA en la organización.

Crear mapa inicial de casos de uso por área, valor esperado, riesgo, datos utilizados y nivel de madurez.

Diseñar inventario de sistemas de IA con campos mínimos, owners, proveedores, datos, impacto y estado.

Clasificar casos según riesgo regulatorio, impacto en personas, autonomía, confidencialidad y criticidad operativa.

Definir estructura de gobierno con comité de IA, roles, responsables, frecuencia, decisiones y escalado.

Crear política interna de uso de IA con usos permitidos, usos restringidos, usos prohibidos y revisión humana.

Diseñar proceso de aprobación de nuevos casos de uso, proveedores, agentes, conectores y automatizaciones.

Preparar matriz de riesgos con controles de privacidad, seguridad, sesgos, calidad, reputación y cumplimiento.

Diseñar requisitos de due diligence para proveedores y contratos de IA.

Crear plan de alfabetización y formación por perfiles: empleados, managers, directivos, técnicos y áreas sensibles.

Definir KPIs de valor, adopción, coste, calidad, riesgo, incidentes y cumplimiento.

Diseñar reporting ejecutivo para comité de dirección con semáforos, decisiones pendientes y prioridades.

Crear protocolo de incidentes de IA con detección, escalado, documentación, comunicación y medidas correctivas.

Preparar roadmap de implantación en fases: diagnóstico, política, pilotos, control, escalado y mejora continua.