GRCreal // expediente: artículo categoría: ISO 42001
← Volver a artículos
ISO 42001 · Gobernanza IA · Ética

Sesgos en la IA empresarial: el riesgo que nadie mide

Los sistemas de IA pueden discriminar sin que nadie lo haya diseñado así.
Y eso tiene consecuencias legales y reputacionales.

Miguel Ángel Carriazo 27 abril 2026 10 min de lectura
Qué es el sesgo en IA

Más allá del concepto técnico

Un sistema de IA aprende de datos históricos. Si esos datos históricos reflejan patrones discriminatorios — deliberados o no — el modelo aprenderá y replicará esa discriminación. No porque el sistema sea "malicioso" sino porque optimiza para reproducir lo que los datos le muestran.

El ejemplo más conocido es el sistema de selección de Amazon que fue retirado porque penalizaba CVs con la palabra "mujeres" — aprendió de datos históricos de contratación en los que los hombres habían sido contratados más frecuentemente. El modelo aprendió el patrón. Nadie lo diseñó así.

El sesgo en IA es el resultado de datos imperfectos procesados por algoritmos potentes. Y sus consecuencias — discriminación, decisiones injustas, daño a personas — son completamente reales.
Matriz de decisión · ISO 42001
No todos los escenarios merecen la misma respuesta
IMPACTO / DECISIÓNBAJOMEDIOALTOMás allá del concepto…Dónde aparece el problemaPor qué es un riesgo de…VALORAR → DECIDIR → TRATAR → DEMOSTRAR
La prioridad nace de relacionar impacto, exposición y capacidad de control.
Los sesgos más frecuentes en el contexto empresarial

Dónde aparece el problema

Selección de personal: modelos entrenados con datos históricos de contratación que perpetúan sesgos de género, edad o etnia. El sistema filtra candidatos según patrones del pasado que pueden no ser ni éticos ni legales.

Crédito y riesgo: modelos de scoring que penalizan características correlacionadas con grupos protegidos — código postal, nivel educativo, historial de empleo — que pueden ser proxies de origen étnico o clase social sin que nadie lo haya decidido explícitamente.

Atención al cliente: sistemas de priorización que atienden mejor a ciertos perfiles de cliente en detrimento de otros, replicando patrones históricos de atención que pueden ser discriminatorios.

En todos estos casos, el sesgo no fue un objetivo de diseño — fue una consecuencia no anticipada de usar datos históricos en un contexto donde el pasado no debería determinar el futuro.
Lectura operativa GRCREAL
Qué entender

Más allá del concepto técnico. Delimita el problema antes de elegir una respuesta.

Qué comprobar

Dónde aparece el problema. Busca una práctica observable, no solo una declaración.

Qué poder demostrar

Lo que ISO 42001 exige y lo que funciona en la práctica. La decisión y su revisión deben dejar trazabilidad.

Las consecuencias reales

Por qué es un riesgo de negocio

El AI Act clasifica los sistemas de IA usados en selección de personal, evaluación crediticia y similares como sistemas de alto riesgo. Esto impone requisitos específicos de evaluación de sesgos, documentación y supervisión humana. El incumplimiento tiene sanciones significativas.

El RGPD prohíbe las decisiones automatizadas que produzcan efectos jurídicos significativos basadas únicamente en tratamiento automatizado, salvo con base jurídica adecuada y garantías específicas — incluyendo el derecho a intervención humana.

Y más allá de la regulación: si un medio de comunicación descubre que el sistema de selección de una empresa discrimina por género, el daño reputacional puede ser más costoso que la sanción regulatoria.

El sesgo en IA no es solo un problema ético — es un riesgo operativo, regulatorio y reputacional con consecuencias medibles.
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.
Cómo gestionarlo

Lo que ISO 42001 exige y lo que funciona en la práctica

Evaluar los datos de entrenamiento antes de usarlos. ¿De dónde vienen? ¿Qué periodo temporal cubren? ¿Reflejan el mundo como debería ser o como fue? Un dataset de contratación de los últimos 10 años en un sector históricamente masculino va a producir un modelo sesgado si no se corrige.

Definir métricas de equidad y medirlas. No solo la precisión global del modelo — también su comportamiento diferencial entre grupos. Un modelo de crédito puede tener una precisión global del 90% pero rechazar al 40% de las solicitudes de un grupo protegido mientras rechaza solo el 10% de otro.

Supervisión humana en las decisiones de alto impacto. El modelo propone, una persona revisa y decide. Especialmente en selección de personal, crédito y cualquier decisión que afecte significativamente a derechos de personas.

Y transparencia: poder explicar, al menos en términos generales, por qué el sistema tomó una decisión concreta. Un modelo que no se puede explicar no se puede auditar ni corregir.
Guía de aplicación

Cómo llevar «Sesgos en la IA empresarial: el riesgo que nadie mide» 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 criterios y apetito de riesgo. No porque sea el único punto importante, sino porque permite fijar el contexto antes de discutir controles. A partir de ahí conectaría escenarios, impacto y probabilidad con la realidad del sistema de gestión de IA y cerraría el ciclo con tratamiento, aceptación y riesgo residual.

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
ContextoCriterios y apetito de riesgo; 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.
ControlEscenarios, impacto y probabilidad; diseño, cobertura y operación real.Se describe el control, pero no su población ni frecuencia.Configuración, procedimiento, muestra de ejecución y resultado.
SupervisiónTratamiento, aceptación y riesgo residual; 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 «Más allá del concepto técnico» como punto de entrada para describir la realidad actual, incluidas excepciones y dependencias que no aparecen en el procedimiento.

02 · Contrastar

Tomar «Dónde aparece el problema» y comprobarlo con una muestra real. La documentación debe coincidir con usuarios, activos, configuraciones, decisiones o registros.

03 · Cerrar el ciclo

Relacionar «Por qué es un riesgo de negocio» 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 criterios y apetito de riesgo? Hay que identificar supuestos, datos de entrada, servicios y terceros que cambian la exposición.
  5. ¿Cómo sabemos que escenarios, impacto y probabilidad 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 tratamiento, aceptación y riesgo residual? 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 «Sesgos en la IA empresarial: el riesgo que nadie mide» 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.Criterios y apetito de riesgo, escenario, impacto y supuestos utilizados.
EV-03Diseño del controlQué debe ocurrir, sobre qué población y con qué frecuencia.Escenarios, impacto y probabilidad, 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 tratamiento, aceptación y riesgo residual 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 Sesgos en la IA empresarial: el riesgo que nadie mide, 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 «Sesgos en la IA empresarial: el riesgo que nadie mide».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 «Sesgos en la IA empresarial: el riesgo que nadie mide» 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.

¿Sabéis si vuestros sistemas de IA
toman decisiones sesgadas?
Si no lo habéis medido, probablemente no lo sabéis.
Medirlo es el primer paso para gobernarlo.
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