GRCreal // expediente: artículo categoría: ISO 42001
← Volver a artículos
ISO 42001 · Evaluación Impacto · EIPD IA

Evaluación de impacto en sistemas de IA: antes de desplegar, no después de que algo salga mal

ISO 42001 exige evaluar el impacto de los sistemas de IA antes de ponerlos en marcha.
No es burocracia. Es la forma de detectar problemas cuando todavía son baratos de corregir.

Miguel Ángel Carriazo 18 junio 2026 9 min de lectura
Por qué existe este requisito

El problema que la evaluación de impacto quiere prevenir

Los sistemas de IA pueden generar impactos que no son evidentes durante el desarrollo. Un modelo que discrimina por género sin que nadie lo haya diseñado así. Un sistema de scoring que perpetúa desigualdades históricas en los datos de entrenamiento. Un asistente que da consejos incorrectos en contextos de alta consecuencia.

Estos problemas son detectables antes del despliegue — si se buscan. La evaluación de impacto es el proceso sistemático para buscarlos.

Corregir un sesgo detectado antes del despliegue cuesta horas de trabajo. Corregirlo después de un incidente público cuesta reputación, dinero y posiblemente sanciones regulatorias.
Matriz de decisión · ISO 42001
No todos los escenarios merecen la misma respuesta
IMPACTO / DECISIÓNBAJOMEDIOALTOEl problema que la…Los vectores de impacto…Lo que el auditor ISO…VALORAR → DECIDIR → TRATAR → DEMOSTRAR
La prioridad nace de relacionar impacto, exposición y capacidad de control.
Qué dimensiones evaluar

Los vectores de impacto que no pueden ignorarse

Impacto sobre personas ¿El sistema afecta a derechos fundamentales? ¿Puede generar discriminación, exclusión o daño a individuos o grupos específicos?
Impacto sobre la privacidad ¿Qué datos personales procesa? ¿Con qué base legal? ¿Es necesario realizar una EIPD (Evaluación de Impacto en Protección de Datos) paralela?
Impacto operacional ¿Qué pasa si el sistema falla? ¿Hay dependencia crítica de sus outputs? ¿Existe supervisión humana para casos límite?
Impacto regulatorio ¿Aplica el AI Act? ¿Qué categoría de riesgo tiene el sistema? ¿Hay obligaciones de notificación o conformidad previas al despliegue?
Lectura operativa GRCREAL
Qué entender

El problema que la evaluación de impacto quiere prevenir. Delimita el problema antes de elegir una respuesta.

Qué comprobar

Los vectores de impacto que no pueden ignorarse. Busca una práctica observable, no solo una declaración.

Qué poder demostrar

Cuando la evaluación de impacto de IA y la de protección de datos se solapan. La decisión y su revisión deben dejar trazabilidad.

Cómo se documenta

Lo que el auditor ISO 42001 va a pedir

Descripción del sistema. Propósito, datos que usa, cómo genera sus outputs, quiénes son los usuarios afectados directa e indirectamente.

Identificación de riesgos. Lista de riesgos identificados por dimensión: discriminación, privacidad, fallos de sistema, uso inadecuado, dependencia excesiva.

Medidas de mitigación. Para cada riesgo identificado, qué controles se implementan. Monitorización del modelo, umbral de confianza, revisión humana en casos de baja certeza.

Decisión documentada. La evaluación termina en una decisión explícita: el sistema puede desplegarse con las condiciones establecidas, o requiere mejoras antes del despliegue, o no debe desplegarse.

Firma del responsable. La evaluación debe tener un propietario que la aprueba. No puede ser anónima o colectiva sin rendición de cuentas.
Mi enfoque

Qué buscaría como evidencia de un AIMS vivo

Aplicación práctica

No me bastaría con ver una política de IA aprobada. Buscaría la conexión entre contexto, inventario de sistemas, evaluación de impactos, objetivos, responsables y seguimiento. El sistema de gestión tiene que contar una historia coherente de principio a fin.

También comprobaría si las decisiones dejan rastro: cambios relevantes en un sistema de IA, aceptación de riesgos, incidentes, resultados de monitorización y revisiones por la dirección. La evidencia no tiene que ser sofisticada, pero sí consistente y recuperable.

Cuando el AIMS depende de una única persona que sabe dónde están los documentos y por qué se hizo cada cosa, todavía no hay un sistema suficientemente institucionalizado.

Evidencia operativa

Qué esperaría encontrar para demostrar que esto funciona

La evidencia concreta depende del alcance y del contexto de la organización. Aun así, una revisión seria debería poder reconstruir al menos estas tres capas:
Ref.Capa de evidenciaQué debería permitir comprobar
EV-01Inventario y responsablesQuién es responsable, qué alcance se ha definido y qué decisión se ha tomado.
EV-02Evaluaciones de impacto y riesgoQue el control o proceso se aplica sobre casos reales y no existe únicamente en la documentación.
EV-03Monitorización y revisión del AIMSQue las desviaciones se detectan, se corrigen y vuelven a revisarse con una frecuencia razonable.
La conexión con la EIPD

Cuando la evaluación de impacto de IA y la de protección de datos se solapan

Para sistemas de IA que procesan datos personales a escala, que perfilas personas o que toman decisiones automatizadas con efectos jurídicos o significativos — la EIPD del RGPD es obligatoria en paralelo.

ISO 42001 y el RGPD convergen aquí: ambos exigen evaluar el impacto antes del despliegue, en diferentes dimensiones pero con documentación compatible.

Hacer las dos evaluaciones de forma coordinada ahorra trabajo y genera documentación más coherente. Hacerlas por separado, en silos, multiplica el esfuerzo y puede producir contradicciones.
Guía de aplicación

Cómo llevar «Evaluación de impacto en sistemas de IA: antes de desplegar, no después de que algo salga mal» a un modelo operativo

El error habitual al abordar este tema es convertirlo demasiado pronto en un documento o en una lista de tareas. En ISO/IEC 42001, yo lo llevaría primero a un modelo operativo verificable: qué queda dentro del alcance, quién puede decidir, qué condiciones activan una revisión y qué rastro queda después de cada actuación.

Para este caso partiría de alcance y contexto. No porque sea el único punto importante, sino porque permite fijar el contexto antes de discutir controles. A partir de ahí conectaría riesgo, controles y responsables con la realidad del sistema de gestión de IA y cerraría el ciclo con evidencia, revisión y mejora.

La pregunta que utilizaría para probar la madurez sería sencilla: ¿puede una persona que no participó en el proyecto reconstruir la decisión, entender el riesgo y localizar la evidencia sin depender de una explicación oral? Si la respuesta es no, existe conocimiento, pero el gobierno todavía depende de personas concretas.

Mi enfoque

No intentaría implantar todo de una vez. Seleccionaría un caso representativo, documentaría la cadena contexto, riesgo, impacto, control y mejora y comprobaría dónde se pierde la trazabilidad.

El primer objetivo no sería «tener más documentación», sino conseguir que el responsable del AIMS y dirección pueda demostrar qué decidió, por qué lo decidió y cómo sabe que el control sigue funcionando.

Plano de revisiónQué comprobaríaSeñal de debilidadEvidencia útil
ContextoAlcance y contexto; límites, dependencias y supuestos.El alcance cambia según quién lo explique.Ficha de alcance, inventario o mapa de dependencias vigente.
GobiernoPropietario, capacidad de decisión, escalado y excepciones.IT ejecuta, pero nadie de negocio acepta el riesgo.RACI, acta, ticket de decisión o registro de aceptación.
ControlRiesgo, controles y responsables; diseño, cobertura y operación real.Se describe el control, pero no su población ni frecuencia.Configuración, procedimiento, muestra de ejecución y resultado.
SupervisiónEvidencia, revisión y mejora; umbrales, desviaciones y revisión.Solo se revisa cuando llega una auditoría o un incidente.KPI/KRI, revisión periódica, hallazgo y acción de mejora.
Secuencia de trabajo
01 · Reconstruir

Utilizar «El problema que la evaluación de impacto quiere prevenir» como punto de entrada para describir la realidad actual, incluidas excepciones y dependencias que no aparecen en el procedimiento.

02 · Contrastar

Tomar «Los vectores de impacto que no pueden ignorarse» y comprobarlo con una muestra real. La documentación debe coincidir con usuarios, activos, configuraciones, decisiones o registros.

03 · Cerrar el ciclo

Relacionar «Lo que el auditor ISO 42001 va a pedir» con un responsable, una fecha y una evidencia de revisión. Una desviación sin seguimiento es información, no gobierno.

Revisión crítica

Diez preguntas que utilizaría para revisar este tema

Estas preguntas no sustituyen una auditoría ni una evaluación formal. Sirven como prueba rápida de coherencia: si varias respuestas dependen de «creo», «normalmente» o «lo lleva otra persona», ya existe una línea de trabajo.

  1. ¿Qué está exactamente dentro del alcance? Debe poder delimitarse el sistema de gestión de IA sin recurrir a una descripción ambigua.
  2. ¿Quién es el propietario real? El responsable del AIMS y dirección debe conocer su responsabilidad y tener capacidad para escalar o decidir.
  3. ¿Qué escenario de riesgo estamos intentando evitar o limitar? Un control sin escenario asociado se evalúa por presencia, no por eficacia.
  4. ¿Qué depende de alcance y contexto? Hay que identificar supuestos, datos de entrada, servicios y terceros que cambian la exposición.
  5. ¿Cómo sabemos que riesgo, controles y responsables funciona sobre toda la población? Una muestra positiva no demuestra cobertura completa.
  6. ¿Qué excepciones existen hoy? Deben tener propietario, motivo, riesgo aceptado, compensación y caducidad cuando proceda.
  7. ¿Qué evidencia queda después de ejecutar el control? La evidencia debe ser recuperable, fechada y entendible por una tercera persona.
  8. ¿Qué indicador obliga a actuar? Medir sin umbral, tendencia o decisión asociada termina creando cuadros de mando decorativos.
  9. ¿Cuándo se revisó por última vez evidencia, revisión y mejora? El cambio de contexto puede invalidar una decisión que era razonable seis meses antes.
  10. ¿Qué aprendimos de la última desviación? Si el hallazgo se cierra corrigiendo el síntoma y no cambia el sistema, probablemente volverá.
Pregunta incómoda

Si mañana la persona que domina este tema deja la organización, ¿el sistema seguiría funcionando y podríamos demostrar por qué se tomaron las decisiones? Esa respuesta suele revelar el nivel real de institucionalización.

Evidencia mínima

Qué conservaría para poder demostrar que el control está vivo

La cantidad de documentación no es una medida de madurez. Para «Evaluación de impacto en sistemas de IA: antes de desplegar, no después de que algo salga mal» prefiero una cadena corta de evidencias conectadas a la operación. Cada pieza debe responder a una pregunta distinta: qué decidimos, qué hicimos, qué ocurrió y qué revisamos después.

La siguiente matriz es el paquete mínimo que intentaría localizar en una revisión. El formato puede ser un acta, un ticket, una exportación, una configuración o un registro de una herramienta; lo importante es la trazabilidad y la coherencia entre las piezas.

Ref.EvidenciaQué debería demostrarQué revisaría
EV-01Alcance y propietarioQué cubre el control y quién responde por él.Vigencia, exclusiones, dependencias y aceptación del propietario.
EV-02Criterio de riesgoPor qué se ha priorizado o diseñado de una forma concreta.Alcance y contexto, escenario, impacto y supuestos utilizados.
EV-03Diseño del controlQué debe ocurrir, sobre qué población y con qué frecuencia.Riesgo, controles y responsables, responsables, entradas, salidas y excepciones.
EV-04Muestra de ejecuciónQue el control opera fuera del documento.Fecha, población, resultado, anomalías y trazabilidad técnica u operativa.
EV-05Desviación y tratamientoCómo responde la organización cuando el control falla.Causa, riesgo residual, responsable, plazo y medida compensatoria.
EV-06Revisión y mejoraQue evidencia, revisión y mejora se evalúa y puede cambiar.Indicadores, tendencia, decisiones, cambios aprobados y seguimiento.
Visión de auditor

Yo intentaría seguir una sola muestra de extremo a extremo. Si EV-01 dice una cosa, EV-03 otra y EV-04 no permite identificar la población afectada, el problema no es «falta de un PDF»: es una ruptura de trazabilidad.

Documentación operativa

Cómo convertir este tema en un expediente verificable

La forma más útil de trabajar este tema es convertirlo en una cadena verificable de decisiones, responsables y evidencias. No basta con afirmar que existe un control: hay que poder reconstruir qué se decidió, con qué información, quién lo ejecutó y cómo se comprobó después.

En Evaluación de impacto en sistemas de IA: antes de desplegar, no después de que algo salga mal, el análisis debería cubrir al menos alcance del AIMS, sistemas de IA, riesgos, impactos, roles, ciclo de vida, transparencia y monitorización. Esto exige coordinar a Dirección, responsables de IA, Riesgos, Datos, Seguridad, Legal, Producto y usuarios y trabajar sobre sistemas de IA, finalidades, datos, modelos, impactos, proveedores, controles y registros. Cuando cada área conserva una parte distinta de la información, se retrasan decisiones, se duplican controles y se aceptan excepciones sin una visión completa.

Una forma práctica de evitarlo es utilizar un expediente único por servicio, sistema, proceso o decisión relevante. Puede ser una herramienta GRC, un repositorio documental controlado o un registro estructurado. Lo importante es conectar alcance, propietario, riesgo, control, evidencia, excepción y acción, con fecha, fuente y estado.

Ese expediente debe mantenerse durante la operación ordinaria. Si solo se completa antes de una auditoría, la organización obtiene una fotografía preparada, pero no una visión fiable del control. La actualización debería activarse ante cambios de arquitectura, proveedor, alcance, responsables, requisitos, incidentes o resultados de pruebas. También conviene definir una revisión periódica para detectar documentación formalmente vigente pero materialmente obsoleta.

La revisión debe separar cuatro preguntas: si el control está bien diseñado, si se ha implantado en todo el alcance, si funciona de forma sostenida y si reduce realmente el riesgo o cumple el objetivo. Mezclar estas preguntas lleva a conclusiones débiles: una política aprobada puede no haberse desplegado, una herramienta instalada puede no cubrir toda la población y una actividad ejecutada puede no producir el efecto esperado.

DimensiónQué debe quedar definidoEvidencia esperada
AlcanceProcesos, servicios, sistemas y terceros incluidos en «Evaluación de impacto en sistemas de IA: antes de desplegar, no después de que algo salga mal».Alcance aprobado, inventario y exclusiones justificadas.
ResponsabilidadQuién decide, ejecuta, valida y acepta desviaciones.RACI, actas, aprobaciones y propietarios nominativos.
OperaciónActividades repetibles, entradas, salidas, plazos y escalados.Procedimiento, tickets, registros, alertas y métricas.
EficaciaCómo se comprueba que el control cambia el riesgo o el resultado.Pruebas, tendencias, incidencias, muestreo y acciones.
Escenario de validación

Prueba de extremo a extremo

  1. Partir de un sistema de IA que influye en decisiones de negocio y recibe actualizaciones periódicas y delimitar alcance del AIMS, sistemas de IA, riesgos, impactos, roles, ciclo de vida, transparencia y monitorización.
  2. Contrastar la documentación declarada con arquitectura, proceso, responsables y operación real.
  3. Seleccionar una muestra reciente y seguirla desde el evento de origen hasta su cierre.
  4. Distinguir entre fallo puntual, deficiencia de diseño y problema operativo recurrente.
  5. Verificar la corrección mediante una prueba posterior y no solo mediante una declaración de cierre.
Punto de control

Una captura demuestra un estado puntual. Un expediente completo demuestra el proceso, el criterio, la trazabilidad y la capacidad de corregir.

Evidencias mínimas

Qué conservaría para una revisión seria

  • alcance del AIMS, inventario, evaluación de impacto, roles, documentación, pruebas, incidentes y revisión
  • criterio aplicado y versión de la referencia utilizada
  • población, periodo y muestra revisados
  • excepciones, aceptación de riesgo y fecha de caducidad
  • resultado de eficacia y acciones derivadas
Preguntas de contraste

Qué preguntaría antes de darlo por implantado

  • ¿Qué parte de «Evaluación de impacto en sistemas de IA: antes de desplegar, no después de que algo salga mal» está dentro del alcance y qué queda fuera?
  • ¿Quién aprueba una excepción, por qué y durante cuánto tiempo?
  • ¿Qué evidencia nace automáticamente de la operación y cuál se prepara manualmente?
  • ¿Cómo se detecta que la política, los objetivos, la evaluación de riesgos e impactos, el ciclo de vida, la transparencia y la monitorización deja de funcionar?
  • ¿Cuál fue la última prueba que cambió una decisión, un diseño o una prioridad?
  • ¿Puede una persona ajena al proceso reconstruir el expediente sin explicaciones adicionales?

El objetivo no es generar más documentación, sino conservar la documentación que permite gobernar, operar y demostrar. La madurez aparece cuando las evidencias nacen del proceso ordinario y no de una campaña previa a la auditoría.

¿Tus sistemas de IA han pasado
una evaluación de impacto antes del despliegue?
Si no, hay una brecha en tu gobernanza de IA que vale la pena cerrar.
Sobre el autor
Miguel Ángel Carriazo · vCISO

vCISO · Arquitecto de Soluciones de Infraestructura y Ciberseguridad | Gobierno, Riesgo y Cumplimiento (GRC) | Gobierno de IA · ISO 42001 | Fundador de GRCreal

Compartir artículo