Data Governance: qué es, los 8 pilares y cómo implantarlo
Un informe que se contradice según quién saque las cifras. Un modelo de IA que discrimina sin que nadie lo note porque nadie revisó con qué se entrenó. Una pregunta de «¿de quién es esta tabla?» que necesita tres hilos de Slack para responderse, si es que se responde. No son problemas de tecnología: son problemas de Data Governance. Esta guía explica qué es de verdad, los 8 pilares que lo estructuran y un camino práctico para implantarlo sin contratar una consultora.
Qué es Data Governance
Data Governance es el conjunto de roles, políticas y procesos que definen quién responde de los datos, cómo se mide su calidad, quién puede acceder a ellos y cómo se documentan, para que la organización pueda fiarse de sus datos y usarlos con seguridad, ya sea en un informe trimestral, en una decisión de crédito o en un modelo de IA.
Es fácil confundir Data Governance con Data Management, así que conviene precisar. Data Management es el trabajo técnico del día a día: guardar los datos, moverlos entre sistemas y procesarlos. Data Governance es la capa de encima: las decisiones sobre quién puede hacer ese trabajo, con qué reglas y quién responde si algo sale mal. Una empresa puede tener una infraestructura de datos excelente y ningún Data Governance en absoluto, y muchas están exactamente así.
Los 8 pilares de Data Governance
En lugar de tratar Data Governance como una disciplina abstracta, ayuda dividirlo en 8 pilares concretos, cada uno apoyado en el anterior:
| Pilar | A qué responde |
|---|---|
| 1. Inventario y clasificación | ¿Qué datos existen, dónde están y qué grado de sensibilidad tienen? |
| 2. Roles y responsabilidades | ¿Quién es el Data Owner, el Steward y el Engineer de cada dominio? |
| 3. Control de acceso | ¿Quién puede ver, editar o exportar cada tipo de dato, y por qué? |
| 4. Calidad del dato | ¿Los datos están completos, son exactos, coherentes y están al día? |
| 5. Seguridad | ¿Están protegidos frente a accesos no autorizados o fugas? |
| 6. Linaje | ¿De dónde viene este dato y qué transformaciones ha sufrido? |
| 7. Catálogo | ¿Cualquiera puede encontrar y entender un dataset sin ir preguntando? |
| 8. Auditoría | ¿Lo que está documentado se cumple de verdad, mes a mes? |
La mayoría de organizaciones sin un programa formal ya hacen, de manera informal, partes de varios de estos pilares: alguien sabe quién se encarga de la base de datos de clientes, alguien lleva una hoja de cálculo no oficial con los problemas de calidad. Data Governance consiste en convertir ese conocimiento informal en algo estructural, que no desaparezca cuando esa persona se va de la empresa.
Por qué importa Data Governance, más allá del cumplimiento
Es tentador ver Data Governance como un ejercicio puramente defensivo, motivado por el cumplimiento. Eso se queda corto. Un mal gobierno del dato se nota en informes contradictorios que minan la confianza en las decisiones basadas en datos, en horas perdidas cada semana cuadrando a mano cifras que ya deberían coincidir y, cada vez más, en modelos de IA que fallan en silencio porque nadie definió qué eran «buenos datos de entrenamiento» antes de construirlos.
El argumento del cumplimiento también es real, y se ha vuelto más exigente. El artículo 10 del AI Act obliga a los proveedores de sistemas de IA de alto riesgo a demostrar que los conjuntos de datos de entrenamiento, validación y prueba son pertinentes, representativos y sin errores. Solo se puede cumplir si Data Governance ya existe como práctica continua, no como algo que se evalúa a posteriori con el modelo ya en producción. El artículo 32 del RGPD exige igualmente «medidas técnicas y organizativas apropiadas», que en la práctica son los pilares de control de acceso y seguridad, documentados y aplicados.
Cómo implantar Data Governance, paso a paso
Un camino en 6 fases que a la mayoría de pymes y medianas empresas les lleva de 8 a 12 semanas, recorriendo los 8 pilares en un orden práctico:
- Inventaría tus dominios de datos críticos. No todo: los 5 a 10 dominios que más importan (clientes, empleados, finanzas, producto). Intentar catalogarlo todo el primer día es la forma en que estos programas se atascan antes de empezar.
- Asigna roles reales. Un Data Owner y, si la organización tiene tamaño suficiente, un Data Steward para cada dominio: personas con nombre, no «el departamento de IT».
- Fija las reglas de control de acceso. Acceso basado en roles para cada dominio, ligado a la clasificación de sensibilidad del paso 1.
- Define reglas de calidad y mídelas. Elige 2 o 3 dimensiones por dominio (completitud y exactitud suelen ser el mejor punto de partida) con un umbral numérico real, no un «suficientemente bien».
- Documenta el linaje y construye el catálogo. Sobre todo en los datasets que alimentan un sistema de IA: es la evidencia que pedirá una auditoría del Art. 10.
- Establece una revisión periódica. Cada mes o cada trimestre, alguien comprueba de verdad que los pasos 1 a 5 siguen vigentes. Un programa de gobierno que nadie revisa se convierte en ficción en menos de un año.
Los roles de Data Governance, en breve
Cuatro roles se repiten en casi todos los programas de Data Governance, aunque en organizaciones pequeñas una misma persona suele asumir varios:
- Data Owner: responde de la calidad y del uso adecuado de un dominio; suele ser un rol de negocio, no de IT.
- Data Steward: la persona de referencia en el día a día, que aplica en la práctica las reglas de gobierno.
- Data Engineer: construye y mantiene los flujos técnicos a los que se aplican esas reglas.
- DPO (Delegado de Protección de Datos): cuando hay datos personales, el rol responsable específicamente del cumplimiento del RGPD.
Herramientas de Data Governance en 2026
Las herramientas van desde plantillas en hoja de cálculo, suficientes para que la mayoría de pymes lleven un programa real sin gastar en software nuevo, hasta plataformas empresariales dedicadas (Collibra, Atlan, Alation) para organizaciones con cientos de datasets y equipos de datos propios. La herramienta importa mucho menos que tener antes los roles, las reglas y la revisión periódica: una plataforma cara encima de una propiedad sin definir solo automatiza la confusión más rápido.
Preguntas frecuentes sobre Data Governance
¿Qué es Data Governance?
Data Governance es el conjunto de roles, políticas y procesos que definen quién responde de los datos, cómo se mide su calidad, quién puede acceder a ellos y cómo se documentan, para que la organización pueda fiarse de sus datos y usarlos con seguridad.
¿Qué diferencia hay entre Data Governance y Data Management?
Data Management es el trabajo técnico del día a día: almacenar, mover y procesar datos. Data Governance es la capa de encima: los roles, las políticas y la rendición de cuentas que deciden cómo debe hacerse ese trabajo técnico y quién lo hace.
¿Cuáles son los 8 pilares de Data Governance?
Un marco práctico agrupa Data Governance en 8 pilares: inventario y clasificación, roles y responsabilidades, control de acceso, calidad del dato, seguridad, linaje, catálogo y auditoría. Cada uno se apoya en el anterior.
¿Solo las grandes empresas necesitan Data Governance?
No. Cualquier organización que toma decisiones con datos, o que entrena un sistema de IA, necesita algún nivel de Data Governance. En una empresa pequeña cambia la escala y la formalidad del programa, no la necesidad.
¿Por qué el AI Act hace obligatorio el Data Governance?
El artículo 10 del AI Act exige a los proveedores de sistemas de IA de alto riesgo demostrar que sus datos de entrenamiento, validación y prueba son pertinentes, representativos y sin errores. Eso solo es posible si ya existe una práctica real de Data Governance, no una revisión hecha cuando el modelo ya está construido.