Habilidades clave en Data y AI Governance: más allá de lo técnico

Por qué la gobernanza de datos no es un problema técnico

Si la gobernanza de datos fuera un problema técnico, las organizaciones con los mejores ingenieros tendrían la mejor gobernanza. No es así. Hay empresas con stacks tecnológicos punteros, Data Lakes en cloud, herramientas de catálogo de última generación y equipos de ingeniería muy sólidos que siguen sin poder responder quién es el responsable de un dato crítico o por qué el mismo KPI da resultados distintos en dos informes distintos.

La razón es simple: los problemas de gobernanza son problemas organizativos con una capa técnica encima. El catálogo de datos no muere porque la herramienta sea mala. Muere porque nadie tiene tiempo ni mandato para mantenerlo. Los accesos no se revisan porque no hay un proceso formal con responsable asignado, no porque la plataforma no lo permita. Las definiciones de negocio no se unifican porque hay conflictos de interés entre departamentos que nadie resuelve, no porque falte una herramienta de glosario.

Resolver estos problemas requiere habilidades que no se aprenden en un bootcamp de Python. Requiere entender cómo funcionan las organizaciones, cómo se toman las decisiones realmente y cómo se construye la confianza entre equipos que tienen objetivos distintos.

El umbral técnico real que necesita un perfil de Data Governance

Esto no significa que el conocimiento técnico no importe. Importa, pero hay un umbral a partir del cual el retorno marginal de más conocimiento técnico es decreciente para un perfil de gobernanza. Ese umbral está bastante por debajo de lo que muchas ofertas de empleo exigen.

Un Data Governance Lead, un Data Steward o un AI Governance Officer necesita:

• Entender qué es un modelo de datos sin necesitar construirlo. Saber leer un esquema, entender relaciones entre tablas y comprender qué implica un cambio de esquema para los consumidores downstream.
• Comprender cómo funciona un pipeline de datos sin necesitar programarlo. Entender qué es una transformación, qué es la ingesta, qué significa que un dato llegue tarde o con errores.
• Saber qué es RBAC y RLS sin necesitar implementarlo. Poder tener una conversación con el equipo de ingeniería sobre qué accesos tiene cada rol y por qué, sin depender de que ellos traduzcan todo.
• Entender el linaje de datos a nivel conceptual. No el código SQL que lo genera, sino el recorrido del dato: de dónde viene, qué transformaciones sufre y dónde se consume.
• Leer métricas de calidad sin necesitar programarlas. Interpretar un porcentaje de completitud, entender qué significa un umbral de validez del 95% y evaluar si es aceptable para el caso de uso.

Todo lo anterior se puede aprender con curiosidad y exposición. No requiere años de experiencia en ingeniería. Lo que no se puede improvisar, y lo que realmente diferencia a los buenos perfiles de gobernanza, es el conjunto de habilidades que describimos a continuación.

La habilidad más escasa: traducir entre mundos

En cualquier organización con un equipo de datos hay dos idiomas que raramente se entienden bien entre sí. El idioma del negocio: objetivos, métricas, decisiones, incertidumbre y urgencia. Y el idioma técnico: esquemas, pipelines, transformaciones, latencia y deuda técnica. La mayoría de los problemas de gobernanza ocurren en la brecha entre ambos.

El perfil de Data Governance vive en esa brecha. Su trabajo es que los ingenieros entiendan por qué el negocio necesita que un dato esté disponible a las 8:00 y no a las 10:00, y que el director comercial entienda por qué no se puede añadir un campo nuevo en un informe sin validarlo con el Data Owner del dominio correspondiente. Esa capacidad de traducción no se enseña directamente. Se construye con exposición deliberada a ambos mundos y con la humildad de hacer preguntas en las dos direcciones.

En entornos complejos con múltiples aerolíneas operando bajo una misma holding, esta habilidad es crítica. La misma conversación sobre la definición de "pasajero activo" tiene implicaciones técnicas concretas en cómo se construye el modelo semántico en Snowflake y al mismo tiempo implicaciones de negocio en cómo se reportan los KPIs al consejo. El perfil que puede tener ambas conversaciones con credibilidad es el que desbloquea el proyecto.

Capacidad de negociación y gestión de conflictos

La gobernanza de datos genera conflictos. Sistemáticamente. El equipo de ventas quiere acceso a datos de clientes que el equipo de privacidad considera restringidos. El equipo financiero tiene una definición de ingreso que no coincide con la del equipo de producto. El Data Owner de un dominio no quiere ceder control sobre sus datos al catálogo corporativo. El equipo de ingeniería cree que las reglas de calidad definidas por el Data Steward son demasiado restrictivas para el pipeline.

Estos conflictos no se resuelven con más tecnología. Se resuelven con escucha, con comprensión de los intereses reales de cada parte —que no siempre son los que se expresan explícitamente— y con la capacidad de construir soluciones que cada parte pueda aceptar sin sentir que ha perdido. Eso es negociación, y es una habilidad que los mejores perfiles de gobernanza tienen muy desarrollada aunque nunca hayan hecho un curso formal de negociación.

Lo que caracteriza a estos perfiles en la práctica es que entran en una reunión donde hay tres posiciones incompatibles sobre la definición de un dato y salen con un acuerdo que ninguna de las tres partes hubiera propuesto por separado. Eso no es técnica. Es capacidad de leer el contexto, construir confianza y encontrar el terreno común.

Pensamiento sistémico: ver las consecuencias downstream

Una de las habilidades más valiosas en gobernanza de datos es la capacidad de pensar en consecuencias no inmediatas. Cuando alguien propone cambiar la definición de un campo en el CRM, el perfil de Data Governance necesita ver mentalmente qué ocurre aguas abajo: qué dashboards rompen, qué modelos de IA se ven afectados, qué informes regulatorios necesitan actualización, qué equipos reciben datos de ese campo y necesitan ser informados antes del cambio.

Esta visión sistémica es especialmente crítica en el contexto del AI Act. Un cambio en los datos de entrenamiento de un sistema de IA de alto riesgo no es solo un cambio técnico: tiene implicaciones en la documentación del artículo 10, en la validación del artículo 11 y potencialmente en la supervisión humana del artículo 14. El perfil que ve esas conexiones antes de que se conviertan en un problema es enormemente valioso.

El pensamiento sistémico se desarrolla con experiencia en entornos complejos, pero también con una práctica deliberada: hacerse siempre la pregunta "¿qué más se ve afectado?" antes de aprobar cualquier cambio. Es un hábito, no un talento innato.

Capacidad de escritura y documentación de calidad

La gobernanza de datos vive en documentos. Políticas, definiciones, procedimientos, fichas de dataset, registros de decisiones, actas de comité, planes de remediación. Un perfil de Data Governance que no sabe escribir con claridad tiene un problema serio, porque su trabajo principal es crear y mantener documentación que otras personas necesitan para tomar decisiones y que el regulador puede requerir en una inspección.

Escribir bien en este contexto no significa tener estilo literario. Significa ser capaz de redactar una definición de negocio que no admita ambigüedad, de escribir una política de acceso que sea comprensible para alguien que no estaba en la reunión donde se decidió, y de documentar una ficha de dataset del artículo 10 que convenza a un inspector de que la organización sabe lo que hace. Esa claridad es una habilidad que se trabaja y que marca una diferencia enorme entre perfiles con conocimientos similares.

Comprensión regulatoria sin necesitar ser abogado

El AI Act, el RGPD, el Data Act, el Data Governance Act — el marco regulatorio que afecta a los datos en Europa en 2026 es extenso y está en constante evolución. Un perfil de Data Governance o AI Governance no necesita tener un máster en derecho europeo, pero sí necesita leer e interpretar textos normativos con suficiente comprensión como para entender qué obliga, a quién y con qué consecuencias.

La habilidad concreta que se necesita es la de leer el artículo 10 del AI Act y entender qué significa operativamente para los datasets de la organización, sin necesitar que un abogado lo traduzca en su totalidad. O leer una guía de la AEPD sobre sistemas de IA y extraer las implicaciones prácticas para el equipo de datos. Eso requiere familiaridad con el lenguaje jurídico, no dominio de él.

Esta habilidad tiene un componente que suele infravalorarse: saber cuándo la interpretación propia no es suficiente y hay que escalar a legal. Los perfiles de gobernanza que más problemas generan son los que creen que lo saben todo sobre la norma y los que creen que no pueden entender nada. El punto óptimo es el del profesional que entiende suficiente para hacer las preguntas correctas y sabe exactamente cuándo necesita apoyo externo.

Para profundizar en las obligaciones concretas del AI Act, consulta el artículo AI Act key dates: qué debe hacer tu empresa en cada hito regulatorio.

Gestión de stakeholders y comunicación ejecutiva

La gobernanza de datos no avanza sin apoyo directivo. Y el apoyo directivo no llega solo porque el Data Governance Lead tenga razón técnica: llega cuando consigue comunicar el valor de la gobernanza en términos que importan a la dirección. Riesgo regulatorio concreto con fecha y multa máxima. Coste de un incidente de calidad de datos en términos de horas perdidas y decisiones erróneas. Ventaja competitiva de tener datos de entrenamiento documentados cuando el regulador llame.

Esta capacidad de comunicación ejecutiva — hablar de gobernanza de datos sin usar jerga técnica, conectando cada iniciativa con un riesgo o una oportunidad de negocio concretos — es lo que diferencia a los perfiles de gobernanza que consiguen presupuesto y mandato de los que producen documentación que nadie lee.

En la práctica esto significa dominar dos registros distintos: el técnico para las conversaciones con ingeniería, y el ejecutivo para las presentaciones al comité de dirección. Cambiar de registro según la audiencia, sin perder precisión en ninguno de los dos, es una habilidad que tarda en desarrollarse pero que es absolutamente determinante para el impacto real del trabajo de gobernanza.

Perseverancia organizativa: trabajar en procesos lentos

La gobernanza de datos es estructuralmente lenta. Los cambios culturales que requiere — que la gente documente, que pida accesos en lugar de tomarlos, que use el catálogo antes de hacer una pregunta — no ocurren en semanas. Ocurren en meses o en años, con avances y retrocesos, con resistencias que resurgen cuando cambia el equipo y hay que volver a explicar por qué importa.

Los perfiles que no tienen paciencia para trabajar en estos ciclos largos se frustran y abandonan o generan iniciativas de gobernanza que se lanzan con mucho ruido y mueren sin impacto real. La perseverancia organizativa — la capacidad de mantener el foco en los objetivos de largo plazo mientras se gestionan las urgencias del día a día — es una habilidad que no aparece en ninguna oferta de empleo de Data Governance pero que es absolutamente necesaria para tener éxito en el rol.

El perfil de AI Governance Officer: la combinación que pide el mercado

El AI Act ha creado un nuevo perfil que el mercado todavía no sabe bien cómo buscar: el AI Governance Officer. No es un abogado especializado en IA, aunque necesita leer el Reglamento. No es un Data Engineer, aunque necesita entender los sistemas que gobierna. No es un Data Protection Officer, aunque trabaja estrechamente con él.

Es un perfil híbrido que combina:

• Conocimiento regulatorio suficiente para interpretar el AI Act, el RGPD y sus interacciones.
• Comprensión técnica suficiente para entender qué hace un sistema de IA de alto riesgo y qué datos lo alimentan.
• Habilidades organizativas para coordinar entre legal, tecnología y negocio en una misma organización.
• Capacidad de documentación para mantener las fichas de dataset, la documentación técnica y los registros de auditoría que el AI Act exige.
• Criterio para clasificar sistemas de IA, identificar cuándo una situación es un caso límite y escalar correctamente.

Hay muy poca oferta de este perfil en el mercado español y europeo en 2026. Las organizaciones que necesitan cumplir el AI Act en los próximos meses lo están buscando activamente y, en muchos casos, no lo encuentran. Es probablemente el perfil con mayor escasez relativa en el ecosistema de datos europeo ahora mismo.

Para entender qué roles cubre esta figura en el framework de gobernanza, consulta el artículo Roles y responsabilidades de un equipo de Data Governance.

Cómo construir este perfil desde distintos puntos de partida

Si vienes del lado técnico

Tu ventaja es que ya entiendes cómo funcionan los sistemas. Tu reto es desarrollar las habilidades organizativas: aprender a tener conversaciones de negocio sin recurrir a la jerga técnica, trabajar en proyectos con ambigüedad y sin una respuesta correcta única, y desarrollar la paciencia para procesos que no tienen un deadline de deploy. La exposición deliberada a proyectos con stakeholders de negocio y la práctica de comunicación ejecutiva son los pasos más directos.

Si vienes del lado del negocio o de legal

Tu ventaja es que ya entiendes la organización y sabes cómo se toman las decisiones realmente. Tu reto es adquirir el umbral técnico suficiente para tener conversaciones creíbles con el equipo de ingeniería. Eso no requiere convertirte en desarrollador: requiere dedicar tiempo a entender qué es un pipeline, cómo funciona un modelo de datos y qué implica el linaje end-to-end. Recursos como dbt Docs, los tutoriales de OpenMetadata o simplemente seguir de cerca proyectos de datos como observador activo construyen ese umbral más rápido de lo que parece.

Si vienes de compliance o auditoría

Tienes dos ventajas que muchos perfiles de datos no tienen: sabes leer normativa y sabes documentar para auditorías. Ambas son directamente aplicables al AI Act. Tu reto es entender el dominio específico de los datos lo suficiente como para que tus análisis de riesgo tengan sustancia técnica. Conectar con equipos de Data Governance y seguir de cerca proyectos de implementación del AI Act en organizaciones de tu sector es el camino más directo.

La tabla de habilidades: qué peso tiene cada una

Conclusión: el dato más valioso eres tú, no el código

Los perfiles de Data Governance y AI Governance no son los que más saben de tecnología en un equipo de datos. Son los que más valor generan por unidad de conflicto resuelto, por acuerdo conseguido entre partes que no se entendían, por riesgo regulatorio evitado antes de que se materializara.

En un momento en que la IA puede escribir SQL, generar documentación y hacer resúmenes de normativa, las habilidades que no se automatizan fácilmente son exactamente las que definen estos perfiles: el criterio para tomar decisiones en contextos ambiguos, la capacidad de generar confianza en organizaciones complejas y la perseverancia para construir procesos que duran más que un trimestre.

El AI Act está creando urgencia para cubrir estos roles. Las organizaciones que los encuentren y los desarrollen bien tendrán una ventaja real frente a las que crean que el cumplimiento regulatorio es un problema que se resuelve con una herramienta o con un consultor externo puntual.

Checklist: habilidades para un perfil de Data y AI Governance

• Capacidad de leer un modelo de datos y entender sus implicaciones para el negocio.
• Comprensión de pipelines y transformaciones sin necesidad de programarlos.
• Habilidad para traducir entre lenguaje técnico y lenguaje de negocio en ambas direcciones.
• Capacidad de negociar definiciones entre equipos con intereses distintos.
• Pensamiento sistémico: ver las consecuencias downstream de cualquier cambio en datos.
• Escritura clara y sin ambigüedad para políticas, definiciones y documentación regulatoria.
• Comprensión suficiente del AI Act, RGPD y Data Act para interpretar obligaciones operativas.
• Comunicación ejecutiva: traducir riesgo de datos en términos de negocio para la dirección.
• Gestión de stakeholders con intereses y prioridades distintos.
• Perseverancia para trabajar en procesos de cambio cultural con ciclos largos.

Preguntas frecuentes

¿Qué habilidades técnicas necesita un perfil de Data Governance?

Un perfil de Data Governance necesita entender cómo funcionan los datos técnicamente — SQL básico, comprensión de pipelines, arquitectura de datos — pero no necesita ser Data Engineer ni Data Scientist. El umbral técnico es suficiente para tener conversaciones creíbles con el equipo técnico. No es necesario construir los pipelines; sí es necesario entender qué hacen y qué implica cambiarlos.

¿Puede alguien sin perfil técnico trabajar en Data Governance?

Sí, especialmente en roles de Data Owner, Data Steward de negocio o AI Governance Officer con enfoque regulatorio. Estos roles requieren comprensión del negocio, capacidad de comunicación y conocimiento regulatorio. El conocimiento técnico se puede adquirir de forma progresiva; el criterio de negocio y la credibilidad organizativa son más difíciles de construir desde cero.

¿Qué diferencia a un buen Data Steward de uno mediocre?

La capacidad de generar acuerdos entre partes con intereses distintos. Un Data Steward mediocre documenta definiciones. Un buen Data Steward consigue que el equipo de ventas y el equipo financiero se pongan de acuerdo en qué es un cliente activo y mantiene ese acuerdo vivo con el tiempo. Eso requiere escucha, paciencia y diplomacia, no habilidades técnicas avanzadas.

¿El AI Act crea nuevos perfiles profesionales?

Sí. El AI Act formaliza la necesidad del AI Governance Officer: un perfil híbrido que combina conocimiento regulatorio, capacidad técnica suficiente para entender los sistemas de IA y habilidades organizativas para coordinar entre legal, tecnología y negocio. Es un perfil que no existía formalmente hace tres años y que tiene muy poca oferta en el mercado europeo ahora mismo.

¿Cómo se desarrolla la habilidad de traducir entre negocio y tecnología?

Con exposición deliberada a ambos mundos. Participar en proyectos de datos desde el lado de negocio, asistir a reuniones técnicas como observador activo, aprender a leer un modelo de datos sin necesitar escribirlo, y practicar explicar conceptos técnicos a audiencias no técnicas. No es una habilidad innata: se construye con práctica y con la humildad de hacer preguntas en ambas direcciones.