{"id":7730,"date":"2026-06-05T00:50:24","date_gmt":"2026-06-04T16:50:24","guid":{"rendered":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/"},"modified":"2026-06-05T00:50:24","modified_gmt":"2026-06-04T16:50:24","slug":"scaling-ai-with-adaptive-governance","status":"publish","type":"post","link":"https:\/\/moresourcing.com\/es\/scaling-ai-with-adaptive-governance\/","title":{"rendered":"Escalar la IA con Gobernanza Adaptativa"},"content":{"rendered":"<figure class=\"wp-block-gallery has-nested-images columns-default is-cropped wp-block-gallery-1 is-layout-flex wp-block-gallery-is-layout-flex\">\n<figure class=\"wp-block-image size-large\"><img fetchpriority=\"high\" decoding=\"async\" width=\"1290\" height=\"860\" data-id=\"7728\" src=\"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/Scaling-AI-With-Adaptive-Governance.jpg\" alt=\"\" class=\"wp-image-7728\"\/><\/figure>\n\t\t\t\t\t\n<figure class=\"wp-block-image size-large\"><img decoding=\"async\" width=\"1196\" height=\"616\" data-id=\"7729\" src=\"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/Scaling-AI-With-Adaptive-Governance.png\" alt=\"\" class=\"wp-image-7729\"\/><\/figure>\n\t\t\t\t\t<\/figure>\n<br><p><\/p>\n<figure class=\"article-inline\">\n<img decoding=\"async\" src=\"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/Scaling-AI-With-Adaptive-Governance.jpg\" alt=\"\" class=\"wp-image-127406\" \/><figcaption>\n<p class=\"attribution\">Christian Gralingen<\/p>\n<\/figcaption><\/figure>\n<aside class=\"callout-info\">\n<h4>La investigaci\u00f3n<\/h4>\n<p>De 2022 a 2025, los autores realizaron entrevistas semiestructuradas en profundidad con altos l\u00edderes y profesionales responsables de la gobernanza de IA, riesgo, cumplimiento, datos y decisiones de producto.<\/p>\n<ul>\n<li>Las entrevistas principales se realizaron en Microsoft, Barclays, Kyriba, Nasdaq, Lloyds Bank, Danske Bank y el Departamento de Finanzas de Abu Dhabi. Las entrevistas se centraron en c\u00f3mo funciona la gobernanza en la pr\u00e1ctica: d\u00f3nde se rompe, c\u00f3mo se implementan los controles y qu\u00e9 compensaciones organizacionales enfrentan los l\u00edderes a medida que los sistemas de IA escalan.<\/li>\n<li>Los autores recopilaron evidencia adicional sobre gobernanza de IA en m\u00e1s de otras 40 instituciones financieras utilizando divulgaciones p\u00fablicas, presentaciones regulatorias y documentaci\u00f3n de profesionales. Estos casos adicionales se utilizaron para validar la generalizaci\u00f3n de temas consistentes que surgieron de las entrevistas principales.<\/li>\n<\/ul>\n<\/aside>\n<p><\/p>\n<p><\/p>\n<p><span class=\"smr-leadin\">Los l\u00edderes, incluso con un conocimiento<\/span> superficial de la inteligencia artificial, saben que, si bien la tecnolog\u00eda puede ayudarles a mejorar la productividad y capturar nuevas oportunidades, tambi\u00e9n puede exponer a su organizaci\u00f3n a muchos riesgos. Aquellos con un poco m\u00e1s de conocimiento son conscientes de que identificar y mitigar esos riesgos requiere adoptar pr\u00e1cticas responsables de IA. Y los l\u00edderes que est\u00e1n escalando una implementaci\u00f3n de IA dentro de su organizaci\u00f3n se dar\u00e1n cuenta r\u00e1pidamente de que la atenci\u00f3n ad hoc a esas pr\u00e1cticas es insuficiente y que necesitan desarrollar la capacidad de gobernar sistem\u00e1ticamente la IA a escala.<\/p>\n<p>Pero construir esa capacidad est\u00e1 resultando mucho m\u00e1s dif\u00edcil de lo que la mayor\u00eda de los ejecutivos esperan. Saben lo que necesitan lograr; los marcos de gobiernos y reguladores definen barreras y principios importantes, como la transparencia, la equidad y la rendici\u00f3n de cuentas.<a id=\"reflink1\" class=\"reflink\" href=\"#ref1\">1<\/a> Pero para implementar controles y principios en los flujos de trabajo diarios y la toma de decisiones, las organizaciones deben repensar la gobernanza de la IA. Deben enmarcar esa tarea no como una obligaci\u00f3n de cumplimiento, sino como una capacidad estrat\u00e9gica y adaptativa que evoluciona a medida que los sistemas de IA escalan, los casos de uso se expanden y los riesgos cambian con el tiempo.<\/p>\n<p>En este art\u00edculo, compartiremos c\u00f3mo las organizaciones l\u00edderes est\u00e1n haciendo exactamente eso. Tambi\u00e9n presentaremos un enfoque para la gobernanza adaptativa de IA basado en dos principios: emparejar los controles de gobernanza con el tipo de sistema de IA y riesgo involucrado, e incrustar esos controles directamente en los flujos de trabajo, los derechos de decisi\u00f3n y las estructuras de rendici\u00f3n de cuentas.<\/p>\n<p><\/p>\n<h3>Los Fundamentos del Riesgo de IA<\/h3>\n<p>Para dise\u00f1ar una gobernanza efectiva de IA, los l\u00edderes primero deben comprender las m\u00faltiples formas en que la IA puede fallar y los riesgos correspondientes. La naturaleza y gravedad de estos riesgos dependen del tipo de sistema, su nivel de autonom\u00eda y el alcance de los dominios afectados por sus decisiones. El desaf\u00edo central, por lo tanto, es dise\u00f1ar controles que anticipen c\u00f3mo surgir\u00e1n los riesgos y que evolucionen a medida que los sistemas de IA operan. Incluso cuando las condiciones, las entradas y las expectativas cambian, la IA debe seguir siendo confiable, segura y alineada con los valores y objetivos de una organizaci\u00f3n.<\/p>\n<p>En la pr\u00e1ctica, la mayor\u00eda de los riesgos de IA surgen en dos momentos que requieren respuestas de gobernanza muy diferentes: durante el desarrollo y despu\u00e9s del despliegue. Los riesgos de desarrollo incluyen el uso de datos de entrenamiento sesgados o incompletos, no alinear adecuadamente el modelo con los requisitos de la tarea y seguir procesos de validaci\u00f3n inadecuados. Por ejemplo, un modelo temprano de aumento de l\u00edmite de cr\u00e9dito en un banco que estudiamos demostr\u00f3 que peque\u00f1os cambios en las entradas pod\u00edan llevar a cambios inesperados en las decisiones.<\/p>\n<p>Los riesgos de despliegue surgen cuando los modelos interact\u00faan con entornos din\u00e1micos y operadores humanos: mantener la legitimidad, el juicio y la rendici\u00f3n de cuentas una vez que los sistemas de IA operan a escala en tiempo real es un desaf\u00edo central. Con el tiempo, la calidad del modelo puede degradarse a medida que las propiedades estad\u00edsticas de los datos de entrada cambian con el tiempo, un fen\u00f3meno denominado <em>deriva de datos<\/em>. Un modelo puede generar resultados plausibles pero falsos o ser excesivamente confiado por usuarios que carecen de los medios para detectar errores. En Nasdaq, los sistemas de vigilancia del mercado impulsados por IA monitorean la actividad comercial en busca de patrones sospechosos, generando cientos de alertas por segundo. Sin embargo, esos sistemas pueden no se\u00f1alar con precisi\u00f3n la actividad, porque el l\u00edmite entre el comportamiento anormal y el il\u00edcito a menudo es dif\u00edcil de detectar; el comportamiento ileg\u00edtimo puede estar dise\u00f1ado deliberadamente para pasar como conforme explotando los patrones de aprendizaje del modelo.<\/p>\n<h3>Controles Adecuados para el Prop\u00f3sito<\/h3>\n<p>Los tipos de controles empleados dependen no solo de cu\u00e1ndo surgen los riesgos en el ciclo de vida de la IA, sino tambi\u00e9n del tipo de sistema de IA involucrado y de cu\u00e1n ampliamente se propagan sus decisiones. Los sistemas de inteligencia artificial pueden dividirse en dos categor\u00edas generales: aquellos basados en modelos de aprendizaje acotado (o est\u00e1ticos) y aquellos que aprenden y se adaptan durante su implementaci\u00f3n. (V\u00e9ase \"Controles en sistemas de gobernanza de IA adaptativa\").<\/p>\n<p>Los sistemas de aprendizaje acotado operan dentro de un conjunto fijo de reglas y par\u00e1metros. Optimizando <em>c\u00f3mo<\/em> esas reglas se aplican, en lugar de cambiarlas, es lo que mejora su rendimiento. Los modelos de calificaci\u00f3n crediticia, por ejemplo, refinan las estimaciones de riesgo bas\u00e1ndose en ingresos o historial de pagos, pero no alteran c\u00f3mo se relacionan esas variables entre s\u00ed. Muchos modelos de IA generativa est\u00e1n \"preentrenados\" (est\u00e1ticos) y no se actualizan durante su uso. Contrasta eso con los sistemas de aprendizaje adaptativo, que evolucionan incorporando datos de producci\u00f3n en sus datos de entrenamiento y actualizando representaciones internas y relaciones entre variables. Las plataformas de trading algor\u00edtmico y los sistemas din\u00e1micos de detecci\u00f3n de fraude ilustran este enfoque.<\/p>\n<div class=\"callout-highlight callout-highlight--transparent\">\n<aside class=\"l-content-wrap\">\n<article>\n<h4>Controles en Sistemas de Gobernanza de IA Adaptativa<br \/>\n<\/h4>\n<p class=\"caption\">Los controles necesarios para gestionar y mitigar el riesgo de la IA var\u00edan seg\u00fan la naturaleza del sistema de IA y si su producci\u00f3n informa decisiones espec\u00edficas o un \u00e1mbito m\u00e1s amplio. Sin embargo, los controles requeridos para sistemas de alcance limitado son fundamentales y tambi\u00e9n se aplican en dominios amplios.<\/p>\n<p><img decoding=\"async\" src=\"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/Scaling-AI-With-Adaptive-Governance.png\" alt=\"Una matriz de dos por dos que muestra los controles en los sistemas de gobernanza adaptativa de la IA. Las columnas representan el tipo de sistema de IA: est\u00e1tico con agencia limitada y adaptativo con alta agencia. Las filas representan los dominios impactados por las decisiones de IA: estrecho y amplio. Los sistemas est\u00e1ticos de alcance estrecho requieren controles basados en reglas; los sistemas adaptativos de alcance estrecho requieren controles de alineaci\u00f3n ex post; los sistemas est\u00e1ticos de alcance amplio requieren controles de riesgo de propagaci\u00f3n; y los sistemas adaptativos de alcance amplio requieren controles integrados de IA.\" \/><\/p>\n<p class=\"attribution\">\n<\/article>\n<\/aside>\n<\/div>\n<p>Igual de relevante para el tipo de control requerido es el alcance de los dominios afectados por las decisiones de la IA, que se muestra en el eje vertical de la figura \"Controles en sistemas de gobernanza adaptativa de IA\". Esta dimensi\u00f3n determina qu\u00e9 tan lejos y qu\u00e9 tan r\u00e1pido pueden viajar los riesgos una vez que un sistema falla. En un extremo se encuentran los sistemas de alcance limitado, donde los errores permanecen contenidos dentro de una funci\u00f3n o tarea espec\u00edfica (como detectar anomal\u00edas en un flujo de transacciones individual). En el otro extremo est\u00e1n los sistemas de amplio alcance que moldean resultados a trav\u00e9s de m\u00faltiples funciones, geograf\u00edas o incluso industrias, como las plataformas de optimizaci\u00f3n de cadenas de suministro transfronterizas. La diferencia no es incremental, sino exponencial: a medida que se expande el alcance del sistema, peque\u00f1os errores interact\u00faan, se propagan y se amplifican en efectos de segundo orden.<\/p>\n<p>Seg\u00fan nuestra tipolog\u00eda de sistemas de IA, creemos que los controles basados en reglas proporcionan las salvaguardas b\u00e1sicas para todos los sistemas de IA estrechos y est\u00e1ticos. Cuando dichos sistemas est\u00e1ticos operan en un \u00e1mbito m\u00e1s amplio, deben a\u00f1adirse controles adicionales de riesgo de propagaci\u00f3n para abordar los efectos posteriores m\u00e1s extensos.<\/p>\n<p>Para los sistemas de aprendizaje adaptativo, las salvaguardas de referencia siguen siendo necesarias, pero deben complementarse con controles de alineaci\u00f3n ex post, especialmente aquellos centrados en la explicabilidad y la legitimidad. Cuando los sistemas adaptativos tambi\u00e9n tienen un alcance amplio, requieren el enfoque m\u00e1s integral: controles integrados que combinen medidas basadas en reglas de referencia con gesti\u00f3n de riesgos de propagaci\u00f3n y mecanismos de alineaci\u00f3n. Analicemos m\u00e1s de cerca c\u00f3mo funciona cada uno en la pr\u00e1ctica.<\/p>\n<h3>Controles basados en reglas<\/h3>\n<p>Los controles basados en reglas est\u00e1n dise\u00f1ados para prevenir y corregir errores en sistemas que operan dentro de par\u00e1metros claramente definidos. Son particularmente efectivos en dominios de decisi\u00f3n limitados donde la l\u00f3gica es expl\u00edcita y los resultados son auditables, como la calificaci\u00f3n crediticia, la detecci\u00f3n de fraudes o el uso de chatbots de servicio al cliente. Los controles basados en reglas incorporan normas relevantes (como pautas \u00e9ticas y est\u00e1ndares de la industria) y requisitos de cumplimiento en los modelos, utiliz\u00e1ndolos como restricciones de dise\u00f1o. Estos controles tambi\u00e9n incluyen procesos como pruebas de validaci\u00f3n o monitoreo de anomal\u00edas.<\/p>\n<p>Considere el modelo de decisi\u00f3n de aumento del l\u00edmite de cr\u00e9dito mencionado anteriormente. Un alto l\u00edder de IA en el banco explic\u00f3 que utiliza un modelo estad\u00edstico en lugar de aprendizaje profundo para que las decisiones sigan siendo interpretables. Antes de implementar un nuevo modelo, el equipo de an\u00e1lisis produce una documentaci\u00f3n llamada tarjeta de modelo que cubre tres aspectos de la gesti\u00f3n de riesgos de IA. Primero, las verificaciones de datos indican si los datos de entrenamiento son completos, recientes y equilibrados, y c\u00f3mo el equipo detectar\u00e1 la deriva de datos con el tiempo. A continuaci\u00f3n, se verifican la l\u00f3gica de decisi\u00f3n y los casos l\u00edmite para ver c\u00f3mo las puntuaciones se traducen en decisiones de aprobaci\u00f3n\/rechazo; esto incluye un an\u00e1lisis expl\u00edcito de los umbrales donde un cliente pasa de no tener aumento a obtenerlo, para que los clientes en la \"zona gris\" no sean tratados injustamente. Finalmente, se realizan pruebas de sesgo y discriminaci\u00f3n para verificar que el modelo no se sobreajuste a perfiles de clientes particulares ni perjudique sistem\u00e1ticamente a ciertos grupos.<\/p>\n<p>La tarjeta del modelo pasa por una revisi\u00f3n de control de calidad realizada por una unidad independiente de riesgo de modelos, con aportes de expertos en cr\u00e9dito y regulaci\u00f3n. Posteriormente, la auditor\u00eda interna verifica que se hayan seguido estos pasos. Solo entonces el modelo se pone en funcionamiento.<\/p>\n<p>El juicio humano es fundamental incluso en entornos basados en reglas. En una organizaci\u00f3n, cada nuevo modelo de pr\u00e9stamos para clientes del mercado medio se somet\u00eda a pruebas de muestra antes de su implementaci\u00f3n. Los equipos de riesgo seleccionaban 100 expedientes de clientes existentes y los procesaban con el modelo. Luego, los gestores de relaciones comparaban las decisiones crediticias recomendadas por el modelo con sus propias evaluaciones. Cuando las recomendaciones difer\u00edan, el equipo del modelo investigaba si este hab\u00eda descubierto una percepci\u00f3n genuina o si estaba sobreajust\u00e1ndose a peculiaridades de los datos. Solo cuando la revisi\u00f3n de la muestra mostraba un nivel aceptable de alineaci\u00f3n entre los resultados del modelo y los juicios de los expertos en la materia involucrados \u2014y se comprend\u00edan las fuentes de desacuerdo\u2014 el banco aprobaba el modelo para uso en vivo. Tras el lanzamiento, se continuaban realizando revisiones peri\u00f3dicas de muestras como parte del ciclo est\u00e1ndar de riesgo y control.<\/p>\n<p>Los controles basados en reglas son efectivos porque hacen expl\u00edcitos, revisables y cuestionables los l\u00edmites cr\u00edticos de decisi\u00f3n en todos los dominios. Son adaptativos porque pueden recalibrarse con el tiempo. Las divergencias entre los resultados del modelo y el juicio experto se tratan como se\u00f1ales de aprendizaje, que retroalimentan umbrales, supuestos y rutinas de revisi\u00f3n actualizados del modelo a medida que evolucionan los datos, los modelos y los contextos de decisi\u00f3n.<\/p>\n<h3>Alineaci\u00f3n ex post<\/h3>\n<p>La complejidad de los sistemas avanzados de IA, particularmente aquellos basados en redes neuronales profundas, hace que los m\u00e9todos tradicionales de trazabilidad y explicabilidad sean menos efectivos. Los controles basados en reglas dependen de la capacidad para especificar la l\u00f3gica de decisi\u00f3n, pero esta l\u00f3gica se vuelve cada vez m\u00e1s opaca a medida que los modelos se vuelven m\u00e1s complejos. Como resultado, las partes interesadas deben garantizar que los resultados sigan siendo confiables, justos y alineados con las expectativas organizacionales y regulatorias. Cuando dichos sistemas operan con una autonom\u00eda significativa, esta necesidad de explicabilidad se vuelve especialmente cr\u00edtica, ya que las decisiones pueden tomarse y ejecutarse sin revisi\u00f3n humana inmediata. La IA generativa a\u00f1ade una capa adicional de dificultad debido a su comportamiento estoc\u00e1stico, donde la misma instrucci\u00f3n puede generar resultados diferentes.<\/p>\n<p>Aqu\u00ed es donde entran los controles de alineaci\u00f3n ex post. Estos no revelan c\u00f3mo se tom\u00f3 una decisi\u00f3n, sino si sus resultados siguen siendo leg\u00edtimos. Eval\u00faan las decisiones de la IA seg\u00fan est\u00e1ndares \u00e9ticos, regulatorios y espec\u00edficos del dominio. Aunque algunas t\u00e9cnicas provienen de enfoques basados en reglas, el \u00e9nfasis se desplaza de prevenir errores de antemano a detectar desalineaciones mientras los sistemas operan, aprenden y escalan.<\/p>\n<p>Las organizaciones operacionalizan la alineaci\u00f3n ex post mediante procesos de evaluaci\u00f3n en capas que contrastan los resultados con expectativas de referencia. Microsoft, por ejemplo, ha desarrollado un pipeline de evaluaci\u00f3n estructurado en el que los modelos de alto riesgo se eval\u00faan frente a bibliotecas de pol\u00edticas definidas por expertos \u2014como lo que constituye un resultado \"justo\" o \"aceptable\". Los evaluadores anotan los resultados del modelo seg\u00fan estas pol\u00edticas, mientras que revisores independientes validan d\u00f3nde el sistema presenta deficiencias. En algunos casos, estas evaluaciones pueden automatizarse parcialmente \u2014por ejemplo, cuando los sistemas de IA se eval\u00faan continuamente frente a puntos de referencia de pol\u00edticas predefinidos, restricciones de equidad o umbrales de riesgo, con monitores automatizados que se\u00f1alan desviaciones para revisi\u00f3n humana.<\/p>\n<p><\/p>\n<p>Por esto, la auditor\u00eda algor\u00edtmica es un componente cr\u00edtico de la alineaci\u00f3n ex post. Tras su implementaci\u00f3n, el comportamiento de un modelo se examina sistem\u00e1ticamente para detectar riesgos ocultos, evaluar la equidad y el rendimiento en los grupos afectados, y verificar que los resultados se alineen con las pol\u00edticas organizacionales y los est\u00e1ndares \u00e9ticos. La auditor\u00eda se realiza en dos pasos. Primero, los auditores identifican posibles escenarios de fallo y definen el caso de uso completo, incluyendo a qui\u00e9n sirve el sistema, qui\u00e9n se ve afectado por sus decisiones y con qu\u00e9 prop\u00f3sito opera. Luego, monitorean estos riesgos evaluando los resultados de las decisiones, los datos de entrada y la l\u00f3gica interna seg\u00fan criterios predefinidos. Este proceso ayuda a las organizaciones a detectar consecuencias no deseadas, como impactos dispares; documentar patrones de riesgo recurrentes; y desencadenar acciones correctivas antes de que el da\u00f1o se propague. Los marcos para auditar el riesgo algor\u00edtmico, como los articulados en el trabajo de Cathy O\u2019Neil sobre la auditor\u00eda de sistemas de IA, proporcionan herramientas y m\u00e9tricas pr\u00e1cticas para operacionalizar este enfoque y fortalecer la rendici\u00f3n de cuentas.<a id=\"reflink2\" class=\"reflink\" href=\"#ref2\">2<\/a> De esta manera, la auditor\u00eda funciona tanto como un mecanismo de diagn\u00f3stico como una base para la mejora continua.<\/p>\n<p>Una parte clave de la alineaci\u00f3n ex post es garantizar que las personas no traten los resultados de la IA como verdades incuestionables. Dado que muchas recomendaciones de la IA son inherentemente probabil\u00edsticas, las organizaciones deben capacitar a los usuarios para interpretarlas como se\u00f1ales informadas, no como decisiones finales. Ayudar a los gerentes a comprender cu\u00e1ndo confiar en el sistema, cu\u00e1ndo cuestionarlo y c\u00f3mo detectar resultados inesperados o sesgados es esencial para mantener el uso de la IA leg\u00edtimo, responsable y alineado con los valores organizacionales a lo largo del tiempo.<\/p>\n<p>Gestionar la desalineaci\u00f3n a escala puede ser un desaf\u00edo particular, especialmente para sistemas dise\u00f1ados para filtrar, priorizar y escalar alertas en tiempo real. La vigilancia del mercado impulsada por IA de Nasdaq, por ejemplo, monitorea la actividad comercial en busca de irregularidades \u2014como vol\u00famenes inusuales, anomal\u00edas de precios o posible manipulaci\u00f3n\u2014 y puede generar cientos de alertas de alto riesgo por segundo. Equipos multifuncionales de oficiales de cumplimiento, cient\u00edficos de datos y expertos en el dominio revisan la actividad se\u00f1alada a trav\u00e9s de flujos de trabajo estructurados de casos. Cada alerta se eval\u00faa para determinar si refleja una manipulaci\u00f3n genuina del mercado o un falso positivo provocado por un comportamiento comercial inusual pero leg\u00edtimo. Los investigadores documentan el fundamento de sus conclusiones, y estos resultados se retroalimentan a los desarrolladores de modelos para recalibrar umbrales, refinar las caracter\u00edsticas de detecci\u00f3n y reducir el ruido recurrente en futuras alertas.<\/p>\n<p>Los comit\u00e9s de escalamiento intervienen cuando las investigaciones sugieren la participaci\u00f3n de actores malintencionados coordinados o cuando las anomal\u00edas indican un riesgo sist\u00e9mico m\u00e1s amplio. Los registros de auditor\u00eda capturan elementos clave de este proceso, incluyendo la alerta original, las se\u00f1ales de datos de respaldo, la decisi\u00f3n humana tomada y cualquier ajuste posterior del modelo. Se realizan revisiones peri\u00f3dicas de gobernanza para evaluar patrones de falsos positivos y detecciones omitidas, garantizando as\u00ed la rendici\u00f3n de cuentas, el cumplimiento normativo y la mejora continua de las reglas de vigilancia. Aun as\u00ed, los aumentos en los vol\u00famenes de alertas pueden ejercer una presi\u00f3n severa sobre los equipos, abrumando la capacidad de respuesta y aumentando el riesgo de error.<\/p>\n<p><\/p>\n<p>Un enfoque eficaz para gestionar el impacto de un alto volumen de alertas es redise\u00f1ar los flujos de trabajo en torno a los resultados de la IA. Este enfoque se ilustra bien con la experiencia de un banco global en la detecci\u00f3n de fraudes impulsada por IA. Los ejecutivos descubrieron que los principales desaf\u00edos no proven\u00edan de errores en las predicciones del modelo, sino de fallos en la interpretaci\u00f3n, el enrutamiento y la acci\u00f3n sobre las alertas de fraude entre los equipos. Las transferencias inconsistentes entre los equipos de cumplimiento, riesgo y personal de primera l\u00ednea a menudo generaban respuestas tard\u00edas, esfuerzos duplicados o seguimientos omitidos, lo que socavaba la efectividad del sistema a pesar de resultados t\u00e9cnicamente s\u00f3lidos. Por ejemplo, las alertas a veces se enviaban al equipo equivocado, se duplicaban entre unidades o quedaban sin resolver porque ning\u00fan grupo ten\u00eda claramente asignado el siguiente paso. Los empleados de atenci\u00f3n al cliente ocasionalmente contactaban a los clientes bas\u00e1ndose en alertas que los equipos de fraude a\u00fan no hab\u00edan validado, mientras que los casos de alto riesgo se retrasaban porque los criterios de escalamiento no eran claros.<\/p>\n<p>Para abordar esos problemas, el banco mape\u00f3 el flujo de trabajo de alertas paso a paso y reasign\u00f3 responsabilidades en cada punto de decisi\u00f3n. Se otorg\u00f3 a los analistas de fraude una autoridad m\u00e1s clara para cerrar alertas de baja confianza, las operaciones de fraude se centraron en la escalada r\u00e1pida de casos confirmados, y los equipos de servicio al cliente se involucraron despu\u00e9s de que una revisi\u00f3n de fraude determinara que era necesario contactar al cliente. Las reglas de decisi\u00f3n se estandarizaron \u2014 por ejemplo, cu\u00e1ndo se debe suprimir una alerta, investigarla m\u00e1s a fondo o escalarla \u2014 reduciendo demoras, escaladas innecesarias y la sobrecarga de alertas.<\/p>\n<p>La alineaci\u00f3n ex post se centra en evaluar las decisiones de la IA despu\u00e9s de que se han tomado, contrastando los resultados con expectativas \u00e9ticas, regulatorias y espec\u00edficas del dominio, en lugar de reconstruir la l\u00f3gica interna de la decisi\u00f3n. En \u00faltima instancia, una alineaci\u00f3n ex post exitosa no elimina el riesgo; sostiene la legitimidad al garantizar que los resultados de la IA de alta agencia sigan siendo cuestionables, corregibles y alineados con los est\u00e1ndares que importan a lo largo del tiempo. A diferencia de la gesti\u00f3n de riesgos tradicional, la alineaci\u00f3n ex post acepta que cierto desajuste es inevitable \u2014 y enfoca la gobernanza en la detecci\u00f3n, la cuestionabilidad y la correcci\u00f3n, en lugar de solo en la prevenci\u00f3n.<\/p>\n<p><\/p>\n<h3>Controles de Riesgo de Propagaci\u00f3n<\/h3>\n<p>Los controles basados en reglas y los mecanismos de alineaci\u00f3n ex post comparten una limitaci\u00f3n importante: tienden a tratar el riesgo como algo mayormente acotado, centr\u00e1ndose en errores discretos o resultados individuales. Este enfoque puede ser efectivo cuando los sistemas de IA operan en relativo aislamiento, pero produce resultados incompletos cuando los sistemas est\u00e1n interconectados a trav\u00e9s de flujos de datos en tiempo real, API y toma de decisiones automatizada. El auge de la IA ag\u00e9ntica es un claro ejemplo. A medida que los sistemas de IA inician acciones de forma aut\u00f3noma, se coordinan con otros sistemas y persiguen objetivos en m\u00faltiples dominios, los errores o desalineaciones originados en un sistema pueden propagarse a otros. Por lo tanto, la preocupaci\u00f3n relevante son los riesgos de interdependencia y propagaci\u00f3n que pueden tener efectos en cadena que los controles tradicionales centrados en los resultados podr\u00edan pasar por alto.<\/p>\n<p>Los reguladores reconocen cada vez m\u00e1s la importancia de los riesgos de propagaci\u00f3n y la necesidad de pruebas y supervisi\u00f3n s\u00f3lidas. El Banco de Inglaterra, por ejemplo, ha destacado los riesgos que plantean los \"agentes comerciales profundos\" \u2014estrategias impulsadas por IA que podr\u00edan amplificar choques externos o coordinarse de maneras que eviten la detecci\u00f3n humana. En el \u00e1mbito de la salud, los modelos de diagn\u00f3stico sesgados pueden propagar heur\u00edsticas defectuosas entre hospitales y aseguradoras. En las cadenas de suministro, las plataformas algor\u00edtmicas de adquisiciones pueden amplificar errores de precios en redes enteras de proveedores. Din\u00e1micas similares pueden surgir en cualquier sistema digitalmente interconectado.<\/p>\n<p>Los controles de riesgo de propagaci\u00f3n representan una tercera capa de gobernanza y est\u00e1n dise\u00f1ados para sacar a la luz efectos de segundo y tercer orden antes de que abrumen las funciones posteriores. En nuestro marco, los controles basados en reglas protegen procesos estrechos y relativamente est\u00e1ticos, los mecanismos de alineaci\u00f3n abordan sistemas complejos cuyas decisiones son opacas, y los controles de propagaci\u00f3n se centran en sistemas interconectados. Estos controles no solo se preocupan por lo que ocurre dentro de un sistema, sino tambi\u00e9n por lo que sucede cuando los sistemas interact\u00faan. Su desaf\u00edo central es la invisibilidad: las fallas viajan lateralmente, explotando interdependencias ocultas que a menudo solo se hacen evidentes cuando ocurre una interrupci\u00f3n. Por ejemplo, un error menor en una API log\u00edstica puede ser inofensivo de forma aislada, pero cuando se combina con un incidente cibern\u00e9tico que afecta una pasarela de pago, puede contribuir a un colapso sist\u00e9mico.<\/p>\n<p>Un marco de gobernanza construido en torno a una visi\u00f3n del riesgo centrada en la empresa es poco adecuado para rastrear dichas din\u00e1micas transfronterizas. Debido a que los riesgos de propagaci\u00f3n se desarrollan a trav\u00e9s de sistemas interconectados, a menudo m\u00e1s all\u00e1 de la visibilidad o el control de una sola organizaci\u00f3n, gestionarlos requiere un cambio de una perspectiva centrada en la empresa a una perspectiva consciente del ecosistema.<\/p>\n<p>Este cambio implica tres actividades complementarias: mapear interdependencias, monitorear infraestructuras compartidas e institucionalizar la supervisi\u00f3n anticipatoria. Juntas, estas pr\u00e1cticas ayudan a sacar a la luz riesgos que permanecen invisibles cuando los controles se centran solo en sistemas aislados o resultados individuales. Las pruebas de resistencia cibern\u00e9tica a nivel sectorial del Banco Central Europeo muestran c\u00f3mo se pueden implementar controles de riesgo de propagaci\u00f3n a nivel de ecosistema. Estos ejercicios mapean interdependencias entre c\u00e1maras de compensaci\u00f3n, sistemas de pago e instituciones financieras; monitorean infraestructuras compartidas en busca de vulnerabilidades entre organizaciones; y simulan c\u00f3mo las interrupciones localizadas podr\u00edan propagarse en cascada a trav\u00e9s del sistema financiero. Estas pr\u00e1cticas se generalizan m\u00e1s all\u00e1 de la regulaci\u00f3n a cualquier entorno altamente interconectado.<\/p>\n<p><\/p>\n<p>Las organizaciones pueden implementar controles de riesgo de propagaci\u00f3n redistribuyendo la visibilidad, la responsabilidad y los derechos de decisi\u00f3n a trav\u00e9s de los ecosistemas, en lugar de depender \u00fanicamente de reglas a nivel de organizaci\u00f3n o intervenciones ex post. Debido a que los riesgos de propagaci\u00f3n son inherentemente transfronterizos, la gobernanza efectiva depende tanto de la coordinaci\u00f3n entre organizaciones como del control interno. Algunas organizaciones deben cambiar sus normas culturales para fomentar el intercambio de datos, la coordinaci\u00f3n en est\u00e1ndares y la coinversi\u00f3n en infraestructuras de supervisi\u00f3n con socios, competidores, reguladores y, en algunos casos, comunidades de c\u00f3digo abierto.<a id=\"reflink3\" class=\"reflink\" href=\"#ref3\">3<\/a> Reducir los riesgos de propagaci\u00f3n requiere comprender que la resiliencia ya no es algo que una empresa pueda lograr por s\u00ed sola, sino que es una propiedad del sistema m\u00e1s amplio del que depende.<\/p>\n<p>A medida que los ecosistemas se vuelven m\u00e1s densamente interconectados, es probable que estos riesgos se intensifiquen. El auge de la IA agente \u2014capaz de iniciar transacciones de forma aut\u00f3noma, negociar contratos o reasignar recursos a trav\u00e9s de redes\u2014 extiende esta l\u00f3gica, aumentando tanto la velocidad como el alcance de la propagaci\u00f3n de fallos. En finanzas, log\u00edstica y atenci\u00f3n m\u00e9dica por igual, los errores no solo pueden propagarse; pueden hacerlo cada vez m\u00e1s con una supervisi\u00f3n humana limitada.<\/p>\n<h3>Implementaci\u00f3n de la Gobernanza Adaptativa de la IA<\/h3>\n<p>Una vez que los l\u00edderes han identificado los riesgos de IA que son relevantes para sus organizaciones y los controles correspondientes que deben implementar, el desaf\u00edo es integrar esos controles en los procesos y sistemas, trabajando dentro de ellos y adapt\u00e1ndolos continuamente. Hacerlo implica tres pr\u00e1cticas clave: incorporar controles en los flujos de trabajo e incentivos, construir fluidez entre dominios e institucionalizar la gobernanza como un sistema de aprendizaje vivo. Aqu\u00ed se explica c\u00f3mo hacerlo.<\/p>\n<p><strong>1. Integrar los protocolos de control de riesgos en las operaciones.<\/strong> Los protocolos de riesgo deben dise\u00f1arse e integrarse directamente en los flujos de trabajo, las estructuras de rendici\u00f3n de cuentas y los incentivos. La supervisi\u00f3n debe fluir directamente hacia la planificaci\u00f3n, las auditor\u00edas y las revisiones de liderazgo, en lugar de residir en una capa de cumplimiento separada. Solo cuando la gobernanza se convierte en parte del tejido operativo se puede escalar la IA con confianza. Esta es una condici\u00f3n necesaria.<\/p>\n<p>Un banco global cuyos l\u00edderes entrevistamos integr\u00f3 los controles de IA en su flujo de trabajo est\u00e1ndar de pr\u00e9stamos, en lugar de tratarlos como un paso de cumplimiento separado. Para cada caso de uso de IA aprobado, el comit\u00e9 de casos de uso de IA del banco document\u00f3 (1) el nivel de riesgo (alto, medio o bajo) basado en el impacto al cliente, el impacto regulatorio, la sensibilidad de los datos y el tipo de modelo; (2) los controles obligatorios asociados con ese nivel (como la validaci\u00f3n independiente del modelo, las pruebas de muestra por parte de los gestores de relaciones o la frecuencia de las revisiones posteriores a la implementaci\u00f3n); y (3) los derechos de decisi\u00f3n (qui\u00e9n pod\u00eda aprobar cambios en el modelo y bajo qu\u00e9 condiciones). Estos requisitos se codificaron directamente en el proceso y los sistemas de aprobaci\u00f3n de cr\u00e9dito. Los gestores de relaciones no pod\u00edan omitir los pasos de validaci\u00f3n del modelo o las revisiones de implementaci\u00f3n; las excepciones requer\u00edan la aprobaci\u00f3n expl\u00edcita tanto del equipo de negocio como del de gesti\u00f3n de riesgos. La supervisi\u00f3n surg\u00eda en los ciclos regulares de toma de decisiones, no a trav\u00e9s de comit\u00e9s ad hoc o auditor\u00edas.<\/p>\n<p><strong>2. Habilitar un juicio concluyente a trav\u00e9s de experiencia heterog\u00e9nea y perfiles de riesgo.<\/strong> La gobernanza adaptativa de la IA no requiere consenso ni juicio compartido. Todo lo contrario: requiere mecanismos que permitan un juicio concluyente a trav\u00e9s de experiencia, m\u00e9todos y perfiles de riesgo heterog\u00e9neos. Esta suele ser la tarea m\u00e1s dif\u00edcil \u2014y m\u00e1s decisiva\u2014 de lograr. A medida que los riesgos de la IA cambian entre categor\u00edas y atraviesan los silos organizacionales, la responsabilidad no puede residir en una sola funci\u00f3n. Las diferencias entre dominios no son un defecto sino una caracter\u00edstica: reflejan experiencia distinta, m\u00e9todos evaluativos y tolerancias al riesgo. Por lo tanto, el desaf\u00edo de la gobernanza no es homogeneizar estas perspectivas, sino crear las condiciones bajo las cuales las organizaciones puedan traducirlas en decisiones concluyentes a escala, evitando tanto la homogeneizaci\u00f3n del juicio como la aprobaci\u00f3n acr\u00edtica de los resultados de la IA.<\/p>\n<p><\/p>\n<p>Entre los desaf\u00edos centrales para institucionalizar una capacidad duradera de juicio concluyente se encuentra que los controles basados en reglas a menudo se ven socavados por el conocimiento fragmentado cuando varios expertos en dominios no comparten un marco com\u00fan. Para superar esas barreras, comparta conocimiento entre dominios a trav\u00e9s de revisiones conjuntas de modelos y documentaci\u00f3n (como las tarjetas de modelo descritas anteriormente), y realice sesiones de validaci\u00f3n multifuncionales rutinarias que hagan expl\u00edcita y cuestionable la l\u00f3gica de decisi\u00f3n, las suposiciones y los umbrales. En los controles de alineaci\u00f3n ex post, el desaf\u00edo involucra no solo los silos de conocimiento, sino tambi\u00e9n la tolerancia al riesgo y los enfoques metodol\u00f3gicos desalineados. La alineaci\u00f3n puede romperse cuando diferentes equipos operan con diferentes umbrales de riesgo impl\u00edcitos, deteniendo el juicio demasiado pronto por un lado o cayendo en la par\u00e1lisis del an\u00e1lisis por el otro. Depender de m\u00e9todos divergentes para reconciliar los resultados esperados con los observados (como la validaci\u00f3n anal\u00edtica, los experimentos controlados o el juicio basado en casos) tambi\u00e9n puede causar desalineaci\u00f3n. En tales escenarios, el desacuerdo no se trata simplemente de lo que recomienda el modelo, sino de cu\u00e1nto riesgo es aceptable y qu\u00e9 constituye evidencia suficiente de que el modelo est\u00e1 funcionando seg\u00fan lo previsto.<\/p>\n<p>Una respuesta cr\u00edtica, por lo tanto, no es simplemente \"generar confianza\" en las recomendaciones de IA, sino establecer rutinas evaluativas compartidas que saquen a la luz y reconcilien las diferencias tanto en las tolerancias al riesgo como en los enfoques metodol\u00f3gicos. Las evaluaciones sistem\u00e1ticas posteriores a la implementaci\u00f3n anclan las discusiones en el comportamiento observado del sistema, en lugar de en creencias abstractas sobre la calidad del modelo.<\/p>\n<p>Las organizaciones pueden hacer esto a trav\u00e9s de rutinas de revisi\u00f3n estructuradas que combinen el an\u00e1lisis de incidentes y cuasi accidentes, el monitoreo de la desviaci\u00f3n del rendimiento y las comparaciones expl\u00edcitas entre los casos de uso previstos y los resultados reales de las decisiones. Fundamentalmente, estas rutinas crean puntos de referencia comunes (umbrales de riesgo acordados, est\u00e1ndares de evidencia compartidos y m\u00e9tricas comparables) a trav\u00e9s de los cuales los equipos impulsados anal\u00edticamente, los grupos orientados a la experimentaci\u00f3n y los propietarios de casos de uso pueden evaluar conjuntamente si el modelo est\u00e1 funcionando seg\u00fan lo previsto. Con el tiempo, esto permite recalibrar suposiciones, umbrales y controles, reduciendo tanto los cierres prematuros impulsados por una precauci\u00f3n excesiva como la par\u00e1lisis del an\u00e1lisis impulsada por desacuerdos metodol\u00f3gicos.<\/p>\n<p>El control del riesgo de propagaci\u00f3n depende de un cambio fundamental de mentalidad: de tratar el riesgo como un problema centrado en la empresa a gobernarlo como un fen\u00f3meno a nivel de ecosistema. Al igual que con los ecosistemas de negocios digitales, los riesgos en los sistemas de IA se propagan de manera desigual entre actores que tienen diferentes roles, incentivos y grados de interdependencia.<a id=\"reflink4\" class=\"reflink\" href=\"#ref4\">4<\/a> Mapear estas interdependencias m\u00e1s all\u00e1 de los l\u00edmites de la empresa es un primer paso necesario \u2014y a menudo una llamada de atenci\u00f3n\u2014, pero es insuficiente por s\u00ed solo.<\/p>\n<p>Como ha demostrado la investigaci\u00f3n sobre estrategia de ecosistemas, la coordinaci\u00f3n se rompe cuando la responsabilidad es difusa, los incentivos permanecen optimizados localmente y ning\u00fan actor es expl\u00edcitamente responsable de orquestar las compensaciones transfronterizas.<a id=\"reflink5\" class=\"reflink\" href=\"#ref5\">5<\/a> Din\u00e1micas similares socavan los controles de riesgo de propagaci\u00f3n de la IA. Los equipos siguen incentivados a centrarse estrechamente en sus propios sistemas; la propiedad del riesgo est\u00e1 fragmentada entre unidades organizativas y socios externos; y los riesgos posteriores o reputacionales se tratan como responsabilidad de otra persona.<\/p>\n<p>Sin el apoyo del liderazgo para la responsabilidad a nivel de ecosistema \u2014y mecanismos de gobernanza que diferencien la propiedad del riesgo por tipo de interdependencia\u2014, el mapeo de interdependencias corre el riesgo de convertirse en un ejercicio anal\u00edtico \u00fanico en lugar de una capacidad de gobernanza sostenida. Una mentalidad de ecosistema requiere no solo visibilidad de las conexiones, sino tambi\u00e9n reglas de compromiso compartidas, derechos de escalamiento y autoridad de decisi\u00f3n para gestionar c\u00f3mo los riesgos se propagan a trav\u00e9s de los l\u00edmites organizativos y tecnol\u00f3gicos a lo largo del tiempo.<\/p>\n<p>Superar estas barreras es esencial para crear las condiciones para un juicio concluyente que respete las diferencias en experiencia, m\u00e9todos y tolerancia al riesgo, en lugar de colapsarlas en un \u00fanico marco evaluativo acr\u00edtico.<\/p>\n<p><strong>3. Institucionalizar la gobernanza como un sistema de aprendizaje.<\/strong> La gobernanza de la IA no puede ser est\u00e1tica: los riesgos mutan, por lo que los controles deben evolucionar.<a id=\"reflink6\" class=\"reflink\" href=\"#ref6\">6<\/a> Por lo tanto, una gobernanza efectiva requiere que las organizaciones establezcan bucles de aprendizaje con roles claros para capturar lecciones de incidentes y cuasi accidentes, y para traducir esas lecciones en est\u00e1ndares, umbrales y controles actualizados.<\/p>\n<p><\/p>\n<p>En lugar de depender \u00fanicamente de controles, sistemas o plataformas de gobernanza a gran escala, la gobernanza adaptativa efectiva de la IA depende de construir la mentalidad adecuada e incorporar bucles de aprendizaje pr\u00e1cticos en la supervisi\u00f3n diaria. Esto implica asignar responsabilidad expl\u00edcita para revisar incidentes y cuasi accidentes; documentar sistem\u00e1ticamente lo que sali\u00f3 mal; y garantizar que los conocimientos se traduzcan en pol\u00edticas revisadas, umbrales recalibrados o controles fortalecidos. Con el tiempo, la gobernanza pasa de protocolos y sistemas a una mejora continua institucionalizada, asegurando que los sistemas de IA permanezcan alineados con la intenci\u00f3n organizativa a medida que los modelos evolucionan, los contextos cambian y surgen nuevos riesgos.<\/p>\n<p><\/p>\n<p>En conjunto, estos pasos marcan un cambio fundamental en la gobernanza de la IA. La gobernanza adaptativa de la IA no se trata de multiplicar controles, comit\u00e9s o listas de verificaci\u00f3n. Se trata de identificar controles adecuados para el prop\u00f3sito e integrarlos en c\u00f3mo la organizaci\u00f3n trabaja, decide y aprende: en flujos de trabajo e incentivos, marcos de juicio compartidos y sistemas vivos que absorben continuamente la experiencia y act\u00faan en consecuencia. Las organizaciones que tratan la gobernanza como est\u00e1tica inevitablemente se quedar\u00e1n atr\u00e1s de los sistemas que aprenden, se adaptan y propagan el riesgo en tiempo real. Por el contrario, las organizaciones que institucionalizan la gobernanza como una capacidad de aprendizaje \u2014una que conecta estrategia, ejecuci\u00f3n y supervisi\u00f3n\u2014 pueden convertir la gobernanza de la IA de una restricci\u00f3n en un facilitador de escala. En la era de los sistemas inteligentes, la ventaja no vendr\u00e1 de adoptar la IA m\u00e1s r\u00e1pido, sino de gobernarla mejor: integrando la supervisi\u00f3n donde se toman las decisiones, los riesgos se propagan y se crea valor.<\/p>\n<p><\/p>\r\n\r\n<br>#Escalando #Gobernanza #Adaptativa","protected":false},"excerpt":{"rendered":"<p>Christian Gralingen La Investigaci\u00f3n De 2022 a 2025, los autores realizaron entrevistas en profundidad y semiestructuradas con altos l\u00edderes y profesionales responsables de la gobernanza, el riesgo, el cumplimiento, los datos y las decisiones de producto de la IA. Las entrevistas principales se realizaron en Microsoft, Barclays, Kyriba, Nasdaq, Lloyds Bank, Danske Bank y el Departamento de Finanzas de Abu Dhabi. Las entrevistas se centraron en c\u00f3mo la gobernanza [&hellip;]<\/p>","protected":false},"author":1,"featured_media":7731,"comment_status":"open","ping_status":"open","sticky":false,"template":"","format":"standard","meta":{"_acf_changed":false,"_monsterinsights_skip_tracking":false,"_monsterinsights_sitenote_active":false,"_monsterinsights_sitenote_note":"","_monsterinsights_sitenote_category":0,"footnotes":""},"categories":[9],"tags":[],"class_list":["post-7730","post","type-post","status-publish","format-standard","has-post-thumbnail","hentry","category-management"],"acf":[],"yoast_head":"<!-- This site is optimized with the Yoast SEO Premium plugin v25.7.1 (Yoast SEO v25.8) - https:\/\/yoast.com\/wordpress\/plugins\/seo\/ -->\n<title>Scaling AI With Adaptive Governance - MORE SOURCING LTD<\/title>\n<meta name=\"robots\" content=\"index, follow, max-snippet:-1, max-image-preview:large, max-video-preview:-1\" \/>\n<link rel=\"canonical\" href=\"https:\/\/moresourcing.com\/es\/scaling-ai-with-adaptive-governance\/\" \/>\n<meta property=\"og:locale\" content=\"es_ES\" \/>\n<meta property=\"og:type\" content=\"article\" \/>\n<meta property=\"og:title\" content=\"Scaling AI With Adaptive Governance\" \/>\n<meta property=\"og:description\" content=\"Christian Gralingen The Research From 2022 to 2025, the authors conducted in-depth, semistructured interviews with senior leaders and practitioners responsible for AI governance, risk, compliance, data, and product decisions. Core interviews were conducted at Microsoft, Barclays, Kyriba, Nasdaq, Lloyds Bank, Danske Bank, and the Abu Dhabi Department of Finance. The interviews focused on how governance [&hellip;]\" \/>\n<meta property=\"og:url\" content=\"https:\/\/moresourcing.com\/es\/scaling-ai-with-adaptive-governance\/\" \/>\n<meta property=\"og:site_name\" content=\"MORE SOURCING LTD\" \/>\n<meta property=\"article:published_time\" content=\"2026-06-04T16:50:24+00:00\" \/>\n<meta name=\"author\" content=\"MS\" \/>\n<meta name=\"twitter:card\" content=\"summary_large_image\" \/>\n<meta name=\"twitter:label1\" content=\"Escrito por\" \/>\n\t<meta name=\"twitter:data1\" content=\"MS\" \/>\n\t<meta name=\"twitter:label2\" content=\"Tiempo de lectura\" \/>\n\t<meta name=\"twitter:data2\" content=\"22 minutos\" \/>\n<script type=\"application\/ld+json\" class=\"yoast-schema-graph\">{\"@context\":\"https:\/\/schema.org\",\"@graph\":[{\"@type\":\"Article\",\"@id\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#article\",\"isPartOf\":{\"@id\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/\"},\"author\":{\"name\":\"MS\",\"@id\":\"https:\/\/moresourcing.com\/#\/schema\/person\/2c9a233f0ad18413717419291cacdf69\"},\"headline\":\"Scaling AI With Adaptive Governance\",\"datePublished\":\"2026-06-04T16:50:24+00:00\",\"mainEntityOfPage\":{\"@id\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/\"},\"wordCount\":4356,\"commentCount\":0,\"publisher\":{\"@id\":\"https:\/\/moresourcing.com\/#organization\"},\"image\":{\"@id\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/2026SUMMER_Lanzolla-2400x1260-1-1200x630.jpg\",\"articleSection\":[\"Management\"],\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"CommentAction\",\"name\":\"Comment\",\"target\":[\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#respond\"]}]},{\"@type\":\"WebPage\",\"@id\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/\",\"url\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/\",\"name\":\"Scaling AI With Adaptive Governance - MORE SOURCING LTD\",\"isPartOf\":{\"@id\":\"https:\/\/moresourcing.com\/#website\"},\"primaryImageOfPage\":{\"@id\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#primaryimage\"},\"image\":{\"@id\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#primaryimage\"},\"thumbnailUrl\":\"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/2026SUMMER_Lanzolla-2400x1260-1-1200x630.jpg\",\"datePublished\":\"2026-06-04T16:50:24+00:00\",\"breadcrumb\":{\"@id\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#breadcrumb\"},\"inLanguage\":\"es\",\"potentialAction\":[{\"@type\":\"ReadAction\",\"target\":[\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/\"]}]},{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#primaryimage\",\"url\":\"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/2026SUMMER_Lanzolla-2400x1260-1-1200x630.jpg\",\"contentUrl\":\"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/2026SUMMER_Lanzolla-2400x1260-1-1200x630.jpg\",\"width\":1200,\"height\":630},{\"@type\":\"BreadcrumbList\",\"@id\":\"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#breadcrumb\",\"itemListElement\":[{\"@type\":\"ListItem\",\"position\":1,\"name\":\"Home\",\"item\":\"https:\/\/moresourcing.com\/\"},{\"@type\":\"ListItem\",\"position\":2,\"name\":\"Scaling AI With Adaptive Governance\"}]},{\"@type\":\"WebSite\",\"@id\":\"https:\/\/moresourcing.com\/#website\",\"url\":\"https:\/\/moresourcing.com\/\",\"name\":\"MORE SOURCING LTD\",\"description\":\"Your Global Trade Experts\",\"publisher\":{\"@id\":\"https:\/\/moresourcing.com\/#organization\"},\"alternateName\":\"MORE SOURCING LTD\",\"potentialAction\":[{\"@type\":\"SearchAction\",\"target\":{\"@type\":\"EntryPoint\",\"urlTemplate\":\"https:\/\/moresourcing.com\/?s={search_term_string}\"},\"query-input\":{\"@type\":\"PropertyValueSpecification\",\"valueRequired\":true,\"valueName\":\"search_term_string\"}}],\"inLanguage\":\"es\"},{\"@type\":\"Organization\",\"@id\":\"https:\/\/moresourcing.com\/#organization\",\"name\":\"MORE SOURCING LTD\",\"url\":\"https:\/\/moresourcing.com\/\",\"logo\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/moresourcing.com\/#\/schema\/logo\/image\/\",\"url\":\"https:\/\/moresourcing.com\/wp-content\/uploads\/2025\/07\/cropped-cropped-MS-logo-02-scaled-2.png\",\"contentUrl\":\"https:\/\/moresourcing.com\/wp-content\/uploads\/2025\/07\/cropped-cropped-MS-logo-02-scaled-2.png\",\"width\":2558,\"height\":1273,\"caption\":\"MORE SOURCING LTD\"},\"image\":{\"@id\":\"https:\/\/moresourcing.com\/#\/schema\/logo\/image\/\"},\"ownershipFundingInfo\":\"https:\/\/moresourcing.com\/about-us\/\",\"ethicsPolicy\":\"https:\/\/moresourcing.com\/service\/\"},{\"@type\":\"Person\",\"@id\":\"https:\/\/moresourcing.com\/#\/schema\/person\/2c9a233f0ad18413717419291cacdf69\",\"name\":\"MS\",\"image\":{\"@type\":\"ImageObject\",\"inLanguage\":\"es\",\"@id\":\"https:\/\/moresourcing.com\/#\/schema\/person\/image\/\",\"url\":\"https:\/\/secure.gravatar.com\/avatar\/fcff4c53e422761d0d6db624cdaf171933d38385c2c22c13ce39ea3918a9cd66?s=96&d=mm&r=g\",\"contentUrl\":\"https:\/\/secure.gravatar.com\/avatar\/fcff4c53e422761d0d6db624cdaf171933d38385c2c22c13ce39ea3918a9cd66?s=96&d=mm&r=g\",\"caption\":\"MS\"},\"sameAs\":[\"https:\/\/moresourcing.com\"],\"url\":\"https:\/\/moresourcing.com\/es\/author\/moresourcing\/\"}]}<\/script>\n<!-- \/ Yoast SEO Premium plugin. -->","yoast_head_json":{"title":"Escalando la IA con Gobernanza Adaptativa - MORE SOURCING LTD","robots":{"index":"index","follow":"follow","max-snippet":"max-snippet:-1","max-image-preview":"max-image-preview:large","max-video-preview":"max-video-preview:-1"},"canonical":"https:\/\/moresourcing.com\/es\/scaling-ai-with-adaptive-governance\/","og_locale":"es_ES","og_type":"article","og_title":"Scaling AI With Adaptive Governance","og_description":"Christian Gralingen The Research From 2022 to 2025, the authors conducted in-depth, semistructured interviews with senior leaders and practitioners responsible for AI governance, risk, compliance, data, and product decisions. Core interviews were conducted at Microsoft, Barclays, Kyriba, Nasdaq, Lloyds Bank, Danske Bank, and the Abu Dhabi Department of Finance. The interviews focused on how governance [&hellip;]","og_url":"https:\/\/moresourcing.com\/es\/scaling-ai-with-adaptive-governance\/","og_site_name":"MORE SOURCING LTD","article_published_time":"2026-06-04T16:50:24+00:00","author":"MS","twitter_card":"summary_large_image","twitter_misc":{"Escrito por":"MS","Tiempo de lectura":"22 minutos"},"schema":{"@context":"https:\/\/schema.org","@graph":[{"@type":"Article","@id":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#article","isPartOf":{"@id":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/"},"author":{"name":"MS","@id":"https:\/\/moresourcing.com\/#\/schema\/person\/2c9a233f0ad18413717419291cacdf69"},"headline":"Scaling AI With Adaptive Governance","datePublished":"2026-06-04T16:50:24+00:00","mainEntityOfPage":{"@id":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/"},"wordCount":4356,"commentCount":0,"publisher":{"@id":"https:\/\/moresourcing.com\/#organization"},"image":{"@id":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#primaryimage"},"thumbnailUrl":"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/2026SUMMER_Lanzolla-2400x1260-1-1200x630.jpg","articleSection":["Management"],"inLanguage":"es","potentialAction":[{"@type":"CommentAction","name":"Comment","target":["https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#respond"]}]},{"@type":"WebPage","@id":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/","url":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/","name":"Escalando la IA con Gobernanza Adaptativa - MORE SOURCING LTD","isPartOf":{"@id":"https:\/\/moresourcing.com\/#website"},"primaryImageOfPage":{"@id":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#primaryimage"},"image":{"@id":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#primaryimage"},"thumbnailUrl":"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/2026SUMMER_Lanzolla-2400x1260-1-1200x630.jpg","datePublished":"2026-06-04T16:50:24+00:00","breadcrumb":{"@id":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#breadcrumb"},"inLanguage":"es","potentialAction":[{"@type":"ReadAction","target":["https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/"]}]},{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#primaryimage","url":"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/2026SUMMER_Lanzolla-2400x1260-1-1200x630.jpg","contentUrl":"https:\/\/moresourcing.com\/wp-content\/uploads\/2026\/06\/2026SUMMER_Lanzolla-2400x1260-1-1200x630.jpg","width":1200,"height":630},{"@type":"BreadcrumbList","@id":"https:\/\/moresourcing.com\/scaling-ai-with-adaptive-governance\/#breadcrumb","itemListElement":[{"@type":"ListItem","position":1,"name":"Home","item":"https:\/\/moresourcing.com\/"},{"@type":"ListItem","position":2,"name":"Scaling AI With Adaptive Governance"}]},{"@type":"WebSite","@id":"https:\/\/moresourcing.com\/#website","url":"https:\/\/moresourcing.com\/","name":"MORE SOURCING LTD","description":"Sus expertos en comercio mundial","publisher":{"@id":"https:\/\/moresourcing.com\/#organization"},"alternateName":"MORE SOURCING LTD","potentialAction":[{"@type":"SearchAction","target":{"@type":"EntryPoint","urlTemplate":"https:\/\/moresourcing.com\/?s={search_term_string}"},"query-input":{"@type":"PropertyValueSpecification","valueRequired":true,"valueName":"search_term_string"}}],"inLanguage":"es"},{"@type":"Organization","@id":"https:\/\/moresourcing.com\/#organization","name":"MORE SOURCING LTD","url":"https:\/\/moresourcing.com\/","logo":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/moresourcing.com\/#\/schema\/logo\/image\/","url":"https:\/\/moresourcing.com\/wp-content\/uploads\/2025\/07\/cropped-cropped-MS-logo-02-scaled-2.png","contentUrl":"https:\/\/moresourcing.com\/wp-content\/uploads\/2025\/07\/cropped-cropped-MS-logo-02-scaled-2.png","width":2558,"height":1273,"caption":"MORE SOURCING LTD"},"image":{"@id":"https:\/\/moresourcing.com\/#\/schema\/logo\/image\/"},"ownershipFundingInfo":"https:\/\/moresourcing.com\/about-us\/","ethicsPolicy":"https:\/\/moresourcing.com\/service\/"},{"@type":"Person","@id":"https:\/\/moresourcing.com\/#\/schema\/person\/2c9a233f0ad18413717419291cacdf69","name":"MS","image":{"@type":"ImageObject","inLanguage":"es","@id":"https:\/\/moresourcing.com\/#\/schema\/person\/image\/","url":"https:\/\/secure.gravatar.com\/avatar\/fcff4c53e422761d0d6db624cdaf171933d38385c2c22c13ce39ea3918a9cd66?s=96&d=mm&r=g","contentUrl":"https:\/\/secure.gravatar.com\/avatar\/fcff4c53e422761d0d6db624cdaf171933d38385c2c22c13ce39ea3918a9cd66?s=96&d=mm&r=g","caption":"MS"},"sameAs":["https:\/\/moresourcing.com"],"url":"https:\/\/moresourcing.com\/es\/author\/moresourcing\/"}]}},"_links":{"self":[{"href":"https:\/\/moresourcing.com\/es\/wp-json\/wp\/v2\/posts\/7730","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/moresourcing.com\/es\/wp-json\/wp\/v2\/posts"}],"about":[{"href":"https:\/\/moresourcing.com\/es\/wp-json\/wp\/v2\/types\/post"}],"author":[{"embeddable":true,"href":"https:\/\/moresourcing.com\/es\/wp-json\/wp\/v2\/users\/1"}],"replies":[{"embeddable":true,"href":"https:\/\/moresourcing.com\/es\/wp-json\/wp\/v2\/comments?post=7730"}],"version-history":[{"count":0,"href":"https:\/\/moresourcing.com\/es\/wp-json\/wp\/v2\/posts\/7730\/revisions"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/moresourcing.com\/es\/wp-json\/wp\/v2\/media\/7731"}],"wp:attachment":[{"href":"https:\/\/moresourcing.com\/es\/wp-json\/wp\/v2\/media?parent=7730"}],"wp:term":[{"taxonomy":"category","embeddable":true,"href":"https:\/\/moresourcing.com\/es\/wp-json\/wp\/v2\/categories?post=7730"},{"taxonomy":"post_tag","embeddable":true,"href":"https:\/\/moresourcing.com\/es\/wp-json\/wp\/v2\/tags?post=7730"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}