
De requisitos regulatorios a data confiable:
Por qué la confianza en la IA empieza con la confianza en la información
En las industrias reguladas, se dedica mucho esfuerzo a interpretar requisitos. Los equipos definen qué esperan los reguladores, qué va en una etiqueta y qué corresponde incluir en una presentación normativa.
En algún punto entre interpretar un requisito y ponerlo en práctica, ocurre algo importante. El requisito se convierte en datos.
Una línea de una regulación se convierte en un atributo de producto, una definición, una regla de negocio o un campo en un sistema. Esa información luego pasa por distintos departamentos y sistemas, cambia a lo largo de la vida del producto y termina en lo que la organización le comunica a un regulador.
Pasé años liderando trabajo de datos regulatorios y gobernanza en operaciones globales de MedTech, en ese espacio entre el requisito y los datos. Eso definió cómo pienso sobre la IA. Los líderes suelen decir que la IA necesita datos confiables. Es cierto. La pregunta más difícil es de dónde viene esa confianza. En el trabajo regulado, empieza mucho antes de la base de datos.
Todo requisito necesita traducirse
Los reguladores definen qué información esperan. Diseñar cómo producirla y mantenerla le corresponde a la organización.
Tome un solo atributo de producto requerido para los reportes regulatorios. La regla dice qué reportar. La organización todavía tiene que decidir a cuáles de sus productos aplica la regla, de dónde viene el valor oficial y quién es responsable de él. También tiene que decidir qué pasa cuando el valor cambia.
Esas decisiones rápidamente van más allá de Asuntos Regulatorios. Ingeniería puede crear la información de base. Calidad puede controlar los registros relacionados. Cadena de suministro, etiquetado y TI pueden usarla o transformarla. Distintos sistemas incluso pueden nombrar lo mismo de forma diferente.
Cuando nadie diseña esa traducción a propósito, aparece un patrón conocido. El requisito se entiende, pero los datos están dispersos entre sistemas, hojas de cálculo y la memoria de las personas. El cumplimiento igual se logra. Solo que depende de unas pocas personas con experiencia y de mucha conciliación.
Los datos suelen empezar en otro lugar
Una lección de mis años con datos globales de identificación de productos se destaca. La información suele empezar fuera de Asuntos Regulatorios. Para cuando Regulatorio necesita un valor, puede haber pasado por varios procesos y sistemas.
Así que cuando aparece un problema de datos regulatorios, la causa suele estar antes en la cadena. Una definición no estaba clara cuando se crearon los datos. Nadie era responsable de ellos. Un cambio de producto nunca activó la actualización en los pasos siguientes.
Una buena gobernanza de datos regulatorios llega hasta esos procesos anteriores. Conecta cada requisito con una definición, un responsable, las reglas de negocio y los momentos de la vida del producto en que los datos deberían cambiar.
Un diccionario de datos es un acuerdo sobre el significado
Una de las herramientas más útiles que ayudé a construir fue un diccionario de datos regulatorios que cubría más de 250 requisitos de datos regulatorios. Un diccionario de datos es una referencia compartida que define cada elemento de información que gestiona una organización. Su verdadero valor fue el lenguaje común que les dio a Regulatorio, a los equipos de producto, a TI y al negocio.
Una buena definición le dice a todos qué significa un atributo, qué requisito lo origina, cuándo aplica y qué valores se permiten. También indica quién es responsable y de dónde viene la información. Ese acuerdo es lo que permite que los procesos y los sistemas trabajen juntos.
Los sistemas pueden intercambiar datos a la perfección mientras las personas que los usan los interpretan de forma distinta. La integración mueve la información de un lugar a otro. La gobernanza mantiene su significado intacto en el camino. Las organizaciones necesitan ambas.
Ingresar datos y tener su titularidad son trabajos distintos
Es fácil asignar a alguien para ingresar un valor y llamar a eso titularidad. La responsabilidad por lo que significa un valor, y por si es correcto, a menudo está en otra persona.
En un entorno global de productos, esos roles cruzan departamentos. Regulatorio puede definir por qué se necesita la información. Ingeniería puede ser la autoridad sobre el valor técnico. Un tercer grupo puede mantenerla en el sistema. Una gobernanza clara nombra cada uno de esos roles y los conecta. Cuando lo hace, la calidad de los datos depende menos de la memoria individual y más de cómo trabaja la organización.
Por qué la IA eleva la exigencia
Hoy, en la mayoría de los procesos regulados, las personas con experiencia corrigen en silencio los datos débiles. Una especialista regulatoria detecta un atributo incorrecto porque conoce el producto. Un ingeniero de calidad ve que dos registros de quejas describen el mismo problema aunque estén redactados de forma distinta. Alguien con muchos años en la empresa sabe qué fuente es realmente confiable.
Ese conocimiento se queda con las personas. La IA solo trabaja con la información y las reglas que se le dan. Si las definiciones se contradicen o no está claro quién es responsable, esas debilidades pasan a ser parte de aquello en lo que se apoya la IA.
Por eso las personas en las industrias reguladas tienen razón en ser cuidadosas con los resultados de la IA. Antes de confiar en uno, necesitan confiar en la información que lo respalda: qué significa, de dónde viene, quién es responsable de ella y si está completa. Su duda es una reacción razonable, y los líderes pueden aprender mucho de ella.
Los datos perfectos son un estándar poco realista. La pregunta útil es si la organización conoce su información lo suficiente como para decir dónde se puede confiar en ella, para qué propósito y con cuánta revisión humana.
La gobernanza debería facilitar el trabajo
A veces, gobernanza de datos significa más comités y más aprobaciones. Diseñada así, agrega complejidad. Una buena gobernanza hace lo contrario. Deja claro quién es responsable de la información clave, quién puede cambiarla, qué definición aplica y cómo se resuelven los conflictos.
Eso importa más con la rotación de personal. Las personas con experiencia se van. Los sistemas se reemplazan. Las regulaciones cambian. Si el cumplimiento depende de que unas pocas personas recuerden cómo encaja todo, la organización es frágil. Una buena gobernanza convierte lo que saben algunas personas en algo que sabe toda la organización.
Qué significa esto para los líderes que se preparan para la IA
La confianza en la IA empieza mucho antes de la IA. Empieza con cómo su organización define su información, quién es responsable de ella y si las personas pueden confiar en ella.
Para los líderes, eso sugiere algunos pasos prácticos antes de que avance un caso de uso de IA. Pregunte a las personas más cercanas a los datos qué información revisan dos veces, y por qué. Defina de forma explícita quién es responsable de la información crítica. Acuerde las definiciones antes de automatizar cualquier cosa que dependa de ellas. Y trate la duda de las personas como una guía de dónde la base necesita atención.
Las organizaciones reguladas ya saben interpretar un requisito con cuidado. El siguiente paso es aplicar ese mismo cuidado a todo lo que hay entre ese requisito y los datos en los que las personas necesitan confiar.
Maria Isabel Meinholz
Asesora en Liderazgo y Adopción Cultural de IA | Fundadora, Adroitta
Que su gente avance con usted en la era de la IA.
