Gobernar la IA con rigor, criterio humano y ley vigente
Un marco integral y dinámico para el uso, la creación y el despliegue de inteligencia artificial en la empresa. Armoniza estándares internacionales (ISO/IEC 42001, NIST AI RMF, OWASP) con el nuevo marco legal mexicano: Código Penal, Ley Federal del Derecho de Autor y Ley Federal del Trabajo reformadas en 2026.
Cómo usar este marco
Este documento es a la vez una guía conceptual y una herramienta operativa. Puede leerse de principio a fin o filtrarse por rol con la barra superior: al elegir un rol, el marco resalta lo que esa función debe hacer, sin ocultar las generalidades que todos comparten.
Contexto regulatorio mexicano
En 2025–2026 México reconfiguró su arquitectura institucional y aprobó sus primeras normas con efectos directos sobre la IA. Gobernar bien exige construir sobre las instituciones y leyes que hoy existen, no sobre las que desaparecieron.
El nuevo mapa institucional
Una reforma constitucional (DOF 20-12-2024) extinguió siete organismos autónomos. El INAI dejó de operar el 20 de marzo de 2025 y el IFT también fue extinto. La supervisión de protección de datos pasó a la Secretaría Anticorrupción y Buen Gobierno, dependiente del Ejecutivo.
Nueva Ley Federal de Protección de Datos Personales en Posesión de los Particulares
Abrogó la ley de 2010. Reafirma los principios de licitud, finalidad, consentimiento (libre, específico e informado), proporcionalidad y responsabilidad; amplía el concepto de «tratamiento» a toda operación automatizada —lo que abarca el procesamiento por IA— y sustituye el medio de defensa por el juicio de amparo indirecto. La autoridad es la Secretaría Anticorrupción y Buen Gobierno.
Acción inmediata
Reescribir avisos de privacidad y contratos para apuntar a la nueva ley y autoridad, actualizar los medios de defensa al amparo indirecto y dictaminar la base de licitud de cada uso de IA con datos personales. Asignar a alguien el monitoreo del DOF y de los criterios de la Secretaría: el reglamento seguía en desarrollo.
Principios rectores de IA confiable
Integran las características de confiabilidad del NIST AI RMF, los requisitos de ISO/IEC 42001 y el valor de centralidad humana. Son el criterio de decisión cuando ningún control específico responde: ante la duda, se resuelve a favor del principio.
El ser humano conserva el control de las decisiones de impacto; la IA amplía capacidades, no sustituye la responsabilidad.
Operar dentro de la ley: datos personales, derechos de las personas, propiedad intelectual y obligaciones laborales.
Funcionar correctamente para su propósito, con desempeño medido y documentado.
Resistir ataques, fallas y abusos, y recuperarse de ellos.
Minimizar y proteger datos personales en todo el ciclo, como configuración predeterminada.
Informar cuándo se usa IA y poder explicar las decisiones relevantes.
Identificar y mitigar sesgos dañinos para evitar discriminación injusta.
Responsables identificables y registros que permitan auditar decisiones.
Comportamiento estable y predecible ante entradas inesperadas o adversariales.
Equilibrar la búsqueda de valor con el uso prudente de recursos y la gestión del riesgo.
Los principios son la brújula cultural y la expresión del deber de cuidado. La dirección los encarna y comunica; el consejo verifica que guíen las decisiones de alto impacto.
Ciclo de vida del uso de IA
El uso de IA es un proceso que se gobierna de principio a fin, ya sea que la organización desarrolle un modelo propio o —caso más común— adopte un servicio de terceros. Sigue la lógica del NIST AI RMF (Gobernar, Mapear, Medir, Gestionar).
Inventario de usos de IA
Clasificación de riesgo del uso
| Nivel | Características | Tratamiento mínimo |
|---|---|---|
| Bajo | Uso interno, sin datos sensibles, sin decisiones sobre personas (p. ej., borradores internos). | Registro y política. LLMSVS Nivel 1. |
| Medio | Procesa datos personales o información sensible, o apoya decisiones con supervisión humana. | Evaluación de impacto, controles reforzados, pruebas. LLMSVS Nivel 2. |
| Alto | Decisiones sobre derechos, empleo, crédito o seguridad; o agentes autónomos con herramientas críticas. | Evaluación completa, supervisión obligatoria, red teaming. LLMSVS Nivel 3. |
Usos prohibidos sugeridos
Decisiones totalmente automatizadas de alto impacto sin intervención ni impugnación · datos sensibles en herramientas públicas no contratadas · deepfakes de personas reales sin consentimiento · vigilancia laboral que vulnere la dignidad o exceda la ley.
Dominios de control
Ocho dominios cubren de forma integral la seguridad, la privacidad, el gobierno de datos, la transparencia, la ética, la innovación, los proveedores y la seguridad de IA generativa y agéntica. Cada control indica su prioridad. Filtre por rol para ver los dominios donde su función es protagonista.
Dominio A · Seguridad de la información
Protege la confidencialidad, integridad y disponibilidad de los sistemas de IA y la información que procesan. Base: ISO/IEC 27001 y OWASP LLMSVS.
Control destacado · A.4 — Tratar la salida del modelo como no confiable
| ID | Control | Prioridad |
|---|---|---|
| A.1 | Inventario de instancias, modelos y servicios de IA con configuraciones y versiones. | Esencial |
| A.2 | Gestión segura de credenciales y llaves de API (cifrado, rotación, mínimo privilegio). | Esencial |
| A.3 | Construir los prompts del lado del servidor; no aceptar el prompt completo del cliente. | Recomendado |
| A.4 | Tratar toda salida del modelo como no confiable: validar formato y esquema. | Esencial |
| A.5 | Segregar en red los modelos autoalojados. | Recomendado |
| A.6 | Límites de tasa y alertas de costo para evitar abuso y gasto excesivo. | Esencial |
| A.7 | Sanitizar errores hacia el usuario; conservar registro estructurado del lado servidor. | Recomendado |
| A.8 | Parches y revisiones de configuración periódicas. | Avanzado |
| A.9 | Líneas base de interacción normal y alerta ante anomalías. | Avanzado |
Dominio B · Privacidad y protección de datos personales
Asegura el cumplimiento de la LFPDPPP vigente y la privacidad por diseño y por defecto. Es el dominio de mayor exposición legal en México.
Control destacado · B.5 — No cargar datos personales en herramientas públicas sin contrato
| ID | Control | Prioridad |
|---|---|---|
| B.1 | Identificar si hay datos personales y determinar base de licitud y finalidad. | Esencial |
| B.2 | Aviso de privacidad que informe el tratamiento por IA y las decisiones automatizadas. | Esencial |
| B.3 | Minimización: solo datos necesarios; evitar sensibles salvo necesidad y consentimiento. | Esencial |
| B.4 | Garantizar derechos ARCO sobre datos tratados por IA. | Esencial |
| B.5 | No cargar datos personales en herramientas públicas que entrenen con ellos. | Esencial |
| B.6 | Documentar transferencias, incluidas internacionales (LFPDPPP y T-MEC). | Recomendado |
| B.7 | Conservación y cancelación de datos en bases, embeddings y memorias. | Recomendado |
| B.8 | Evaluación de impacto en privacidad para usos medios y altos. | Recomendado |
| B.9 | Privacidad reforzada (seudonimización, anonimización en RAG) en alto riesgo. | Avanzado |
Dominio C · Gobierno de datos
Gestiona calidad, origen, integridad y trazabilidad de los datos que alimentan la IA, mitigando envenenamiento, sesgo e infracción de propiedad intelectual.
Control destacado · C.2 — Validar fuentes y corrección de los datos
| ID | Control | Prioridad |
|---|---|---|
| C.1 | Documentar el origen de datos y conjuntos (incluido RAG). | Esencial |
| C.2 | Verificar fuentes confiables y validar corrección y ausencia de datos maliciosos. | Esencial |
| C.3 | Verificar derechos de propiedad intelectual de datos y modelos. | Esencial |
| C.4 | Proteger los datos contra modificación no autorizada; auditar cambios. | Recomendado |
| C.5 | Autenticación y mínimo privilegio en bases vectoriales y cachés. | Recomendado |
| C.6 | Evitar inyección de documentos falsos al actualizar embeddings. | Recomendado |
| C.7 | Auditar datos en busca de información sensible y depurarla. | Recomendado |
| C.8 | Inventario de componentes de datos y modelos (bill-of-materials). | Avanzado |
Dominio D · Transparencia y explicabilidad
Permite que las personas afectadas y la organización comprendan cuándo y cómo se usa la IA. Es condición de la confianza y, en varios supuestos, de la legalidad.
Control destacado · D.1 — Informar la interacción con IA
| ID | Control | Prioridad |
|---|---|---|
| D.1 | Informar cuándo una persona interactúa con IA. | Esencial |
| D.2 | Documentar propósito, capacidades, limitaciones y datos de cada sistema. | Esencial |
| D.3 | Poder explicar la lógica general de las decisiones relevantes. | Recomendado |
| D.4 | Etiquetar el contenido generado por IA cuando pueda inducir a error. | Recomendado |
| D.5 | Canales para reportar problemas, pedir explicación o impugnar resultados. | Recomendado |
| D.6 | Marcas de agua u otros identificadores de salida en alto riesgo. | Avanzado |
Dominio E · Supervisión humana, ética y no discriminación
Garantiza que el ser humano conserva el control significativo sobre las decisiones de impacto y que el sistema no produce daños injustos.
Control destacado · E.2 — Prohibir decisiones automatizadas de alto impacto sin intervención
| ID | Control | Prioridad |
|---|---|---|
| E.1 | Definir grado y forma de supervisión humana para usos medios y altos. | Esencial |
| E.2 | Prohibir decisiones automatizadas de alto impacto sin intervención ni impugnación. | Esencial |
| E.3 | Capacidad de intervenir o desactivar rápidamente un sistema con conducta indebida. | Recomendado |
| E.4 | Evaluar y mitigar sesgos mediante pruebas de equidad. | Recomendado |
| E.5 | Evaluación ética de usos de alto riesgo, con atención a grupos vulnerables. | Recomendado |
| E.6 | Capacitar a supervisores para evitar el exceso de confianza automatizada. | Recomendado |
Dominio F · Gestión de la innovación
Equilibra la exploración de oportunidades con la gestión prudente del riesgo. Gobernar no es frenar: es innovar con red de seguridad.
Control destacado · F.2 — Entornos controlados de experimentación
| ID | Control | Prioridad |
|---|---|---|
| F.1 | Proceso ágil para proponer, evaluar y aprobar nuevos casos de uso. | Esencial |
| F.2 | Entornos controlados de experimentación con datos no productivos. | Recomendado |
| F.3 | Criterios de paso a producción (seguridad, privacidad, desempeño). | Recomendado |
| F.4 | Capturar lecciones y métricas de valor para orientar la inversión. | Recomendado |
| F.5 | Alinear la cartera de innovación con estrategia, riesgo y beneficio social. | Avanzado |
Dominio G · Proveedores y cadena de suministro
La mayoría de las empresas consumen IA de terceros: el riesgo se subcontrata, pero la responsabilidad no.
Control destacado · G.2 — Revisar términos y pactar no entrenamiento con datos del cliente
| ID | Control | Prioridad |
|---|---|---|
| G.1 | Registro de proveedores, datos que reciben y ubicación de procesamiento. | Esencial |
| G.2 | Revisar términos; pactar no utilización de datos para entrenamiento. | Esencial |
| G.3 | Adquisición y almacenamiento seguros de modelos; formatos seguros. | Recomendado |
| G.4 | Verificar prácticas de seguridad y cumplimiento del proveedor. | Recomendado |
| G.5 | Redundancia de proveedores para evitar puntos únicos de falla. | Avanzado |
Dominio H · Seguridad de IA generativa y agéntica
Aborda riesgos propios de los LLM y, en particular, de los agentes autónomos que planifican, usan herramientas y mantienen memoria. Base: guías OWASP.
Control destacado · H.5 — Mínimo privilegio y aprobación humana en agentes
| ID | Control | Prioridad |
|---|---|---|
| H.1 | Tratar todo prompt como no confiable; guardas contra inyección directa e indirecta. | Esencial |
| H.2 | Someter a control los datos reflejados de terceros o de respuestas previas. | Recomendado |
| H.3 | Aislar la memoria por usuario, sin mezclar ni inyectar datos de otros. | Esencial |
| H.4 | Detectar fugas de bases de conocimiento internas usadas como contexto. | Recomendado |
| H.5 | Mínimo privilegio en herramientas y aprobación humana en acciones sensibles. | Esencial |
| H.6 | Proteger contra escalamiento de privilegios y envenenamiento de memoria. | Avanzado |
| H.7 | Restringir funciones disponibles a usuarios anónimos o en vista previa. | Recomendado |
| H.8 | Verificar identidad y límites de los agentes con que se comunica. | Avanzado |
Creación de IA: desarrollar con responsabilidad
Cuando la organización no solo usa, sino que crea sistemas de IA —entrena, ajusta (fine-tuning) o construye agentes y aplicaciones sobre modelos— asume responsabilidades adicionales sobre datos, modelo y comportamiento. Esta sección integra los requisitos de creación al ciclo de vida.
Buenas prácticas de creación
| Fase de creación | Prácticas clave |
|---|---|
| Datos de entrenamiento | Origen documentado y de fuentes confiables; verificación de propiedad intelectual; auditoría y depuración de datos sensibles antes de entrenar; protección contra modificación no autorizada. |
| Selección y adquisición del modelo | Adquisición segura de modelos base; preferir formatos seguros (p. ej., SafeTensors) sobre serialización insegura; verificar el origen y la integridad. |
| Entrenamiento y ajuste | Integrar el ciclo del modelo al SSDLC; documentar casos de uso; integrar herramientas de detección de sesgo y de vulnerabilidades (inyección, jailbreak). |
| Validación previa al despliegue | Evaluación de riesgo de seguridad, ética y operación; pruebas de equidad; red teaming para usos de alto riesgo. |
| Documentación | Ficha del modelo: propósito, datos, limitaciones, métricas; inventario de componentes (bill-of-materials) para usos críticos. |
| Decomisión | Plan de retiro que borre de forma segura datos, parámetros e información asociada. |
Las obras creadas exclusivamente por IA no son registrables como derecho de autor
La Suprema Corte resolvió que la autoría es un derecho humano exclusivo de personas físicas y que las obras generadas de forma autónoma por IA no cumplen el requisito de originalidad. Implicación al crear: el contenido generado solo por IA (marketing, diseño, branding, código) puede no ser protegible ni registrable, lo que afecta la valuación de activos intangibles y exige replantear contratos y modelos de negocio. Documente la intervención creativa humana cuando busque protección.
Entrenamiento de modelos
El entrenamiento —ya sea preentrenamiento, ajuste fino (fine-tuning), aprendizaje por refuerzo o el aprendizaje en tiempo real a partir de interacciones— es la fase donde se inyectan tanto el valor como los riesgos más profundos: sesgo, fuga de datos sensibles, envenenamiento y problemas de propiedad intelectual. Esta sección detalla las prácticas que el OWASP LLMSVS (V2 Ciclo del modelo, V3 Aprendizaje en tiempo real) e ISO/IEC 42001 exigen.
6.1 Gestión del ciclo del modelo (SSDLC)
6.2 Datos de entrenamiento
| Requisito | Detalle | Prioridad |
|---|---|---|
| Procedencia confiable | Adquirir datos de fuentes confiables y validarlos por corrección y ausencia de datos maliciosos. | Esencial |
| Documentación de origen | Registrar el origen de cada conjunto; trazabilidad auditable de limpiezas y modificaciones (mitiga envenenamiento e insider threat). | Avanzado |
| Propiedad intelectual | Verificar derechos y licencias para evitar infracción de copyright; documentar y auditar el proceso. | Esencial |
| Datos sensibles | Auditar y depurar PII y datos confidenciales antes de entrenar, para evitar su exposición en respuestas del modelo. | Recomendado |
| Obligaciones regulatorias | Verificar el cumplimiento de la LFPDPPP al manejar y procesar datos de entrenamiento. | Recomendado |
| Protección e integridad | Asegurar los conjuntos contra modificación no autorizada una vez adquiridos. | Recomendado |
6.3 Seguridad, sesgo y formatos del modelo
Preferir SafeTensors sobre serializaciones inseguras (p. ej., Pickle de PyTorch) para evitar ejecución de código malicioso al cargar el modelo.
Garantizar la adquisición y almacenamiento seguros de modelos base o preentrenados, verificando origen e integridad.
Integrar herramientas de detección de sesgo y de equidad en el ciclo del modelo, no solo al final.
Integrar tooling que detecte inyección, intentos de jailbreak y otros abusos durante el entrenamiento.
Considerar watermarking de las respuestas cuando el robo de modelo es una preocupación o la salida debe ser identificable.
Antes de finalizar para despliegue, realizar una evaluación de riesgos de seguridad, ética y operación que guíe la decisión.
6.4 Aprendizaje en tiempo real (riesgo elevado)
Cuando el modelo aprende de las interacciones en vivo
Si el modelo se ajusta continuamente con datos de usuarios en producción, los riesgos se multiplican: un actor puede manipularlo para inducir comportamientos indebidos. Controles clave: términos de uso claros sobre conductas aceptables; monitoreo continuo de entradas y salidas; protocolos de intervención inmediata y capacidad de retirar el sistema; análisis regular para detectar intentos de manipulación; y, preferentemente, un enfoque incremental con aprobación humana antes de incorporar cambios.
Qué significa por área
Tecnología es dueña del SSDLC del modelo y del versionado. Seguridad de la Información protege los datos y previene envenenamiento y formatos inseguros. Legal verifica la propiedad intelectual de datos y modelos y el cumplimiento de la LFPDPPP en el entrenamiento.
Despliegue según el entorno
El marco es independiente de la tecnología, pero cada entorno introduce matices. Todo nuevo modo de despliegue pasa primero por la clasificación de riesgo y, si procede, por la evaluación de impacto.
Verificar región de procesamiento (transferencia internacional, B.6); responsabilidad compartida; credenciales con rigor; cifrado en tránsito y reposo; alertas de costo; pactar no entrenamiento (G.2).
Modelos autoalojados: segregar en red (A.5); inventario, parches y configuración (A.1, A.8); control de acceso físico y lógico; formatos de modelo seguros (G.3).
Cifrar almacenamiento local y exigir autenticación robusta; minimizar datos en el dispositivo (B.3); gestionar apps de IA en el inventario; proteger llaves embebidas (A.2).
Integridad del modelo distribuido; trazabilidad de dónde se procesa cada dato; para agentes entre entornos, verificación de identidad y mínimo privilegio (H.5, H.8).
Criterios de aceptación para liberar a producción
Evaluación de impacto aprobada · pruebas de desempeño, sesgo y seguridad superadas · supervisión humana definida · registro y monitoreo activos · plan de respuesta a incidentes · responsable asignado.
Modelo de madurez de gobernanza de IA
Ninguna organización alcanza la gobernanza completa de golpe. Este modelo de cinco niveles permite ubicar el estado actual en cada una de las diez dimensiones del marco —las mismas que evalúa la herramienta de autoevaluación detallada— y trazar una ruta de mejora realista y proporcional. Inspirado en la lógica de capacidad de los modelos CMMI y en el ciclo de mejora de ISO/IEC 42001.
Las diez dimensiones del modelo
Gobierno y organización · Uso y adopción · Creación y despliegue · Entrenamiento y datos · Evaluación, pruebas y aseguramiento · Ética, equidad y derechos humanos · Talento, cultura y cambio · Terceros y cadena de suministro · IA agéntica y autonomía · Riesgo y cumplimiento legal. Estas dimensiones son idénticas a las del cuestionario de autoevaluación, de modo que el diagnóstico que obtenga ahí se mapea directamente a esta rúbrica.
8.1 Rúbrica por dimensión
Seleccione una dimensión para ver el descriptor de cada nivel. Una organización puede estar en niveles distintos según la dimensión: por ejemplo, madura en gobierno pero incipiente en IA agéntica.
| Nivel | Descriptor — Gobierno y organización |
|---|---|
| 1 · Inicial | No hay política ni responsable de IA. El uso ocurre sin que la dirección lo sepa («IA en la sombra»). |
| 2 · Incipiente | La dirección reconoce el tema; existe una política básica y un responsable informal, sin recursos asignados. |
| 3 · Definido | Política aprobada, roles documentados, apetito de riesgo declarado, inventario y clasificación de usos. |
| 4 · Gestionado | El consejo y la dirección supervisan con reportes; el comité opera; se mide con KPIs/KRIs y presupuesto por riesgo. |
| 5 · Optimizado | La gobernanza se optimiza con métricas; la IA es parte de la agenda estratégica y se comparte con el ecosistema. |
| Nivel | Descriptor — Uso y adopción |
|---|---|
| 1 · Inicial | El personal usa herramientas públicas libremente; se cargan datos sensibles sin control. |
| 2 · Incipiente | Hay reglas de uso aceptable comunicadas; se prohíben los usos más riesgosos, sin verificación. |
| 3 · Definido | Herramientas aprobadas, supervisión humana en decisiones, verificación de salidas y etiquetado de contenido. |
| 4 · Gestionado | Se mide adopción y valor; se detecta y corrige la IA en la sombra; controles técnicos de fuga (DLP). |
| 5 · Optimizado | El uso se optimiza por valor y riesgo; la declaración de usos es la norma cultural. |
| Nivel | Descriptor — Creación y despliegue |
|---|---|
| 1 · Inicial | Se integra o despliega sin requisitos de seguridad, datos ni validación; configuración improvisada. |
| 2 · Incipiente | Existen controles básicos (credenciales, validación de salida) aplicados de forma desigual. |
| 3 · Definido | SSDLC con requisitos por diseño, validación de E/S, criterios de aceptación y control de costos. |
| 4 · Gestionado | Pruebas y monitoreo sistemáticos; despliegues con registro, alertas y reversibilidad probada. |
| 5 · Optimizado | Despliegue continuo seguro; observabilidad avanzada y arquitecturas resilientes por entorno. |
| Nivel | Descriptor — Entrenamiento y datos |
|---|---|
| 1 · Inicial | Datos de origen desconocido; sin verificación de propiedad intelectual ni de datos sensibles; formatos inseguros. |
| 2 · Incipiente | Se documenta parcialmente el origen; revisión básica de licencias; conciencia del riesgo de sesgo. |
| 3 · Definido | Origen documentado y validado; depuración de PII; verificación de IP; formatos seguros; documentación del modelo. |
| 4 · Gestionado | Trazabilidad auditable; bill-of-materials del modelo; sesgo medido; detección de vulnerabilidades integrada. |
| 5 · Optimizado | Datos como activo estratégico; aprendizaje en tiempo real con aprobación humana incremental. |
| Nivel | Descriptor — Evaluación, pruebas y aseguramiento |
|---|---|
| 1 · Inicial | No se prueban desempeño ni seguridad antes de usar. |
| 2 · Incipiente | Pruebas informales y puntuales; conciencia del red teaming sin práctica. |
| 3 · Definido | Pruebas de desempeño, equidad, privacidad y red teaming definidas para usos de alto riesgo. |
| 4 · Gestionado | Pruebas sistemáticas y continuas con criterios de éxito, documentación y auditorías externas. |
| 5 · Optimizado | Aseguramiento independiente integrado al ciclo, con automatización y mejora continua. |
| Nivel | Descriptor — Ética, equidad y derechos humanos |
|---|---|
| 1 · Inicial | No hay principios éticos ni evaluación de impacto; no se considera la discriminación. |
| 2 · Incipiente | Principios generales y conciencia del tema, sin medidas ni EIA estructuradas. |
| 3 · Definido | Principios éticos declarados, EIA para usos relevantes, pruebas de equidad y control humano efectivo. |
| 4 · Gestionado | EIA obligatoria; equidad monitoreada; explicación e impugnación verificadas; salvaguardas para vulnerables. |
| 5 · Optimizado | Marco ético maduro que anticipa dilemas, con diseño inclusivo y mejora continua. |
| Nivel | Descriptor — Talento, cultura y cambio |
|---|---|
| 1 · Inicial | No hay formación en IA ni conciencia de riesgos; la IA se impone sin acompañamiento. |
| 2 · Incipiente | Formación genérica y esporádica; comunicación puntual del cambio. |
| 3 · Definido | Formación por rol, conciencia de riesgos clave, gestión del cambio y respeto a derechos laborales (LFT). |
| 4 · Gestionado | Se mide la efectividad; competencias internas desarrolladas; recapacitación ante el impacto en el empleo. |
| 5 · Optimizado | Centro de excelencia y cultura adaptativa que integra la IA de forma natural. |
| Nivel | Descriptor — Terceros y cadena de suministro |
|---|---|
| 1 · Inicial | Se desconoce qué proveedores de IA se usan y qué datos reciben. |
| 2 · Incipiente | Lista parcial de proveedores; lectura superficial de términos. |
| 3 · Definido | Registro de proveedores, revisión de contratos y pacto de no entrenamiento con datos del cliente. |
| 4 · Gestionado | Riesgo del proveedor evaluado y reevaluado; planes de continuidad para servicios críticos. |
| 5 · Optimizado | Cadena de suministro de IA gestionada estratégicamente, con portabilidad y auditoría continua. |
| Nivel | Descriptor — IA agéntica y autonomía |
|---|---|
| 1 · Inicial | Si hay agentes, operan con amplios privilegios sin control ni registro. |
| 2 · Incipiente | Conocimiento parcial de los agentes; sin guardas ni aislamiento formal. |
| 3 · Definido | Inventario de agentes, mínimo privilegio, aprobación humana en acciones sensibles y memoria aislada. |
| 4 · Gestionado | Guardas probadas (red teaming), privilegios auditados y bitácora verificable de acciones. |
| 5 · Optimizado | Ciclo de vida de agentes gobernado con confianza dinámica y defensa en profundidad. |
| Nivel | Descriptor — Riesgo y cumplimiento legal |
|---|---|
| 1 · Inicial | No se identifican riesgos de IA; sin respuesta a incidentes; desconocimiento del marco legal vigente. |
| 2 · Incipiente | Riesgos listados informalmente; avisos genéricos; conciencia de las reformas (LFPDPPP, Penal, LFDA, LFT). |
| 3 · Definido | Tratamiento de riesgos documentado; cumplimiento mapeado a la ley; derechos ARCO e incidentes definidos. |
| 4 · Gestionado | Riesgos medidos; auditorías internas; notificación legal; transferencias verificadas; consentimiento en contratos. |
| 5 · Optimizado | Gestión predictiva; mejora continua; vigilancia regulatoria que anticipa cambios normativos. |
8.2 Autoevaluación rápida (10 dimensiones)
Estime su nivel actual en cada dimensión para obtener una madurez global aproximada. Para un diagnóstico minucioso por dimensión, con 76 preguntas y plan de acción, use la herramienta de autoevaluación detallada (archivo aparte). Esta evaluación ocurre en su navegador; nada se envía ni se guarda.
1. Gobierno y organización: ¿Existe política de IA aprobada, responsable designado, inventario y supervisión de la dirección/consejo?
2. Uso y adopción: ¿El personal sabe qué herramientas usar y qué datos no introducir, con supervisión humana en decisiones de impacto?
3. Creación y despliegue: ¿Los sistemas se construyen y liberan con seguridad por diseño, criterios de aceptación y monitoreo?
4. Entrenamiento y datos: ¿Se documenta el origen de datos, se verifica la propiedad intelectual y se depuran datos sensibles antes de entrenar?
5. Evaluación, pruebas y aseguramiento: ¿Se prueban desempeño, equidad, privacidad y seguridad (red teaming) antes de desplegar usos relevantes?
6. Ética, equidad y derechos humanos: ¿Hay principios éticos, evaluación de impacto y control humano efectivo sobre decisiones que afectan a personas?
7. Talento, cultura y cambio: ¿El personal está capacitado por rol y se gestiona el cambio y el impacto de la IA en las personas?
8. Terceros y cadena de suministro: ¿Se registran proveedores, se revisan contratos y se pacta la no utilización de datos para entrenamiento?
9. IA agéntica y autonomía: ¿Los agentes autónomos operan con mínimo privilegio, aprobación humana y memoria aislada? (omita si no usa agentes)
10. Riesgo y cumplimiento legal: ¿El programa está mapeado a la ley mexicana vigente, con derechos ARCO y respuesta a incidentes?
8.3 Hoja de ruta de progresión
Una ruta típica para pasar del Nivel 1 al Nivel 3 (el mínimo defendible) y avanzar hacia la madurez. Las PyME pueden detenerse cómodamente en el Nivel 3 para la mayoría de sus usos.
Designar responsable, aprobar política breve, levantar el inventario y prohibir cargar datos sensibles en herramientas públicas. Equivale al Núcleo mínimo viable (Cap. 12).
Clasificar usos por riesgo, actualizar avisos de privacidad a la LFPDPPP, revisar términos de proveedores, capacitar por rol y definir supervisión humana y principios éticos.
Implantar evaluación de impacto, criterios de aceptación de despliegue, SSDLC del modelo, pruebas/red teaming, controles de agentes y procedimiento de incidentes.
Medir desempeño, sesgo y cumplimiento; auditorías internas y externas; trazabilidad de datos; gestión de terceros; bitácora de agentes.
Mejora continua con métricas, vigilancia regulatoria que anticipa cambios y cultura de IA responsable compartida con clientes y proveedores.
Cómo usar el modelo de madurez
Evalúe cada dimensión por separado, fije un objetivo realista (no todas las empresas necesitan el Nivel 5) y priorice cerrar la brecha en la dimensión de mayor riesgo. Reevalúe al menos una vez al año y tras cada cambio relevante del contexto legal o tecnológico.
Marco legal mexicano de IA (2025–2026)
México no tiene aún una ley general de IA, pero en 2025–2026 aprobó reformas sectoriales con efectos directos sobre cómo las empresas usan, crean y despliegan IA. Estas son las que todo programa de gobernanza debe integrar hoy.
9.1 Código Penal: la IA como medio para delinquir
Delitos cometidos mediante IA y contenido sexual falsificado
El Congreso aprobó reformas al Código Penal Federal para sancionar específicamente la generación, alteración o difusión de material íntimo o sexual sin consentimiento usando IA o edición digital (deepfakes), reforzando precedentes como la Ley Olimpia. La protección se endurece de forma especial frente a cualquier representación sexual, realista o simulada, de menores creada con IA, exista o no una víctima real identificable. En julio de 2025 se modificó el artículo 187 en esta materia, y diversas iniciativas plantean una agravante general cuando la IA sea el medio comisivo de cualquier delito (incremento de la pena), además de reformas estatales (CDMX, Edomex, San Luis Potosí, Querétaro) con penas que llegan hasta los 12 años en agravantes con menores.
Qué significa para la empresa
El uso corporativo de generadores de imagen, voz o video debe tener barreras que impidan crear contenido que suplante o sexualice a personas. La política de uso (control E y H) debe prohibir expresamente estos usos, y la capacitación debe advertir que generar o difundir tales contenidos —incluso «en broma» o con material de prueba— puede constituir delito federal y agravarse por el uso de IA.
9.2 Ley Federal del Derecho de Autor (LFDA)
Protección de imagen y voz frente a la clonación con IA
La reforma aclara en el artículo 87 que la protección de la imagen y la voz de artistas, intérpretes o ejecutantes —y de sus personajes— abarca los resultados generados por IA: solo pueden usarse con consentimiento expreso. Prohíbe el uso mediante IA cuando constituya clonación o suplantación que induzca a error al público o que busque sustituir la prestación profesional del artista en el mercado. El artículo 121 exige acuerdo previo y por escrito para cualquier clonación o simulación de voz o imagen identificable. Se exceptúan los usos con fines de parodia, sátira o imitación creativa, y ciertos usos informativos o en lugares públicos.
Qué significa al crear y desplegar
Antes de clonar o sintetizar la voz o imagen de cualquier persona identificable —para publicidad, doblaje, atención al cliente o avatares— debe existir consentimiento expreso y, en el ámbito laboral, acuerdo escrito y remuneración. Combine este requisito con el criterio de la SCJN: el contenido puramente generado por IA puede no ser registrable como obra. Documente autorizaciones y la huella creativa humana.
9.3 Ley Federal del Trabajo (LFT)
Consentimiento y remuneración por el uso laboral de imagen y voz con IA
El decreto que reformó la LFT (junto con la LFDA) obliga a que los contratos de artistas, intérpretes y ejecutantes especifiquen expresamente las condiciones y la remuneración cuando se use su imagen, voz o interpretaciones mediante IA u otra tecnología. Prohíbe la reproducción total o parcial de interpretaciones mediante herramientas tecnológicas —incluida la IA— sin consentimiento expreso, libre e informado y sin la remuneración correspondiente. Regula además contratos publicitarios y digitales (temporalidad, territorios, plataformas) y mejora condiciones laborales del gremio.
Qué significa para RH, Legal y Finanzas
Aunque el foco son artistas e intérpretes, la lógica marca el estándar: el uso de IA sobre la imagen o voz de una persona en el ámbito laboral exige consentimiento informado y, en su caso, remuneración pactada por escrito. RH debe revisar plantillas de contrato; Legal, las cláusulas de cesión y uso de IA; Finanzas, prever la remuneración asociada. Más allá del sector artístico, anticipa la tendencia: el monitoreo o evaluación de personas trabajadoras con IA debe respetar dignidad, transparencia y los límites de la LFT.
9.4 Otras normas y la pieza de privacidad
Se suman la nueva LFPDPPP (sección 1), la Ley Federal de Protección al Consumidor cuando la IA interviene en publicidad o atención, la normatividad de CNBV y CONDUSEF para el sector financiero, y disposiciones sobre delitos informáticos. Diversas iniciativas de ley general de IA (de corte europeo, basadas en clasificación por riesgo) seguían en proceso legislativo.
Síntesis de cumplimiento
Datos personales: nueva LFPDPPP, autoridad = Secretaría Anticorrupción y Buen Gobierno. Imagen y voz: consentimiento y remuneración (LFDA + LFT, mayo 2026). Contenido sintético: prohibición penal de deepfakes íntimos y agravante por uso de IA (Código Penal). Obras de IA: no registrables si son puramente autónomas (SCJN).
Evaluación, pruebas y red teaming
Los controles solo dan garantía si se prueban. Las pruebas recorren todo el ciclo de vida, desde desempeño y equidad hasta el red teaming adversarial de IA generativa y agéntica.
| Tipo de prueba | Qué verifica | Cuándo |
|---|---|---|
| Desempeño y fiabilidad | Que cumple su propósito con precisión y de forma estable. | Antes y periódicamente. |
| Equidad y sesgo | Ausencia de discriminación injusta entre grupos. | Antes; usos medios y altos. |
| Privacidad | Que no se filtran datos personales ni bases de conocimiento. | Antes; con datos personales. |
| Seguridad / red teaming | Resistencia a inyección, fuga, extracción y manipulación de agentes. | Antes y continuo; usos altos. |
| Robustez | Comportamiento ante entradas inesperadas o adversariales. | Antes; usos medios y altos. |
| Validación de salida | Que formato, longitud y contenido se mantienen en lo esperado. | Continua, en operación. |
Red teaming: buenas prácticas
Objetivos y criterios de éxito claros (más allá del pasa/no pasa por la naturaleza probabilística) · suites de prueba diversas y actualizadas · colaboración multifuncional · documentación de hallazgos · auditorías de terceros · iteración continua. Cobertura holística: modelo, implementación, infraestructura y comportamiento en ejecución; para agentes, manipulación de herramientas, escalamiento de privilegios y envenenamiento de memoria.
Proporcionalidad para PyME
Una PyME no necesita un equipo dedicado. Para riesgo bajo y medio bastan pruebas estructuradas de inyección y de fuga de datos sobre las herramientas que usa, con listas públicas de casos y, cuando el riesgo lo justifique, un proveedor especializado puntual.
Gestión de riesgos y mejora continua
El marco se mantiene mediante un sistema que trata los riesgos y mejora continuamente (ciclo Planear-Hacer-Verificar-Actuar de ISO/IEC 42001; función Gestionar del NIST AI RMF).
11.1 Catálogo de riesgos típicos de IA
Una taxonomía base que la organización adapta a su contexto. Cada riesgo se evalúa por probabilidad e impacto y se conecta a los controles del Capítulo 4.
| Riesgo | Descripción | Controles relacionados |
|---|---|---|
| Fuga de datos vía prompts | Personal o sistemas que introducen datos personales o confidenciales en herramientas que los retienen o entrenan con ellos. | B.5, G.2, A.2 |
| Inyección de instrucciones | Manipulación directa o indirecta del modelo para que ignore sus reglas o ejecute acciones no autorizadas. | H.1, H.2, A.4 |
| Alucinación / error | Salidas plausibles pero falsas que inducen decisiones equivocadas. | D.2, E.1, pruebas |
| Sesgo y discriminación | Decisiones sistemáticamente injustas hacia grupos, con riesgo legal y reputacional. | E.4, C.2, pruebas de equidad |
| Envenenamiento de datos / memoria | Adversario que corrompe datos de entrenamiento o memoria del agente para alterar su conducta. | C.4, C.6, H.6 |
| Acción autónoma dañina | Agente con exceso de privilegios que ejecuta acciones irreversibles o costosas. | H.5, H.8, E.3 |
| Incumplimiento legal | Tratamiento sin base de licitud, deepfakes, uso de imagen/voz sin consentimiento, obra no registrable. | Cap. 9 (legal) |
| Dependencia de proveedor | Concentración en un proveedor crítico que crea un punto único de falla o de fuga. | G.1, G.5 |
| Costo descontrolado | Consumo de IA que escala sin alertas, afectando el presupuesto. | A.6, A.14 |
| IA en la sombra | Uso no inventariado ni autorizado que escapa a todo control. | Inventario, política |
11.2 Matriz de evaluación de riesgo
Cada riesgo se ubica cruzando probabilidad e impacto; la celda determina la urgencia del tratamiento.
| Probabilidad ↓ / Impacto → | Bajo | Medio | Alto |
|---|---|---|---|
| Alta | Medio | Alto | Crítico |
| Media | Bajo | Medio | Alto |
| Baja | Bajo | Bajo | Medio |
11.3 Sistema de gestión y mejora continua
Siguiendo el ciclo PDCA de ISO/IEC 42001: Planear (apetito de riesgo, objetivos), Hacer (controles y operación), Verificar (monitoreo, métricas, auditoría interna) y Actuar (revisión por la dirección y mejora). La revisión por la dirección evalúa desempeño, incidentes, cambios del contexto regulatorio y oportunidades de mejora, y sus resultados retroalimentan política, controles y capacitación.
Núcleo mínimo viable para PyME
Diez pasos que ofrecen la mayor reducción de riesgo con el menor costo. Se adoptan en semanas y se documentan en hojas de cálculo y un par de páginas de política.
| # | Acción esencial |
|---|---|
| 1 | Designar a una persona responsable de la gobernanza de IA. |
| 2 | Aprobar una política breve de uso responsable y comunicarla. |
| 3 | Levantar y mantener el inventario de usos y herramientas de IA. |
| 4 | Clasificar cada uso en riesgo bajo, medio o alto. |
| 5 | Prohibir cargar datos sensibles o confidenciales en herramientas públicas no aprobadas. |
| 6 | Actualizar el aviso de privacidad para reflejar el uso de IA y decisiones automatizadas. |
| 7 | Revisar términos de proveedores y pactar la no utilización de datos para entrenamiento. |
| 8 | Asegurar supervisión humana en toda decisión de impacto sobre personas. |
| 9 | Capacitar al personal (uso seguro, alucinaciones, inyección, límites legales). |
| 10 | Definir a quién avisar y qué hacer ante un incidente de IA o fuga de datos. |
Matriz de responsabilidades por área
R = Responsable de ejecutar · A = Aprueba / rinde cuentas · C = Consultado · I = Informado. Filtre por rol para resaltar su columna mentalmente.
| Actividad | Legal | TI | Cumpl. | SegInfo | Finanzas | CEO | Board |
|---|---|---|---|---|---|---|---|
| Aprobar la política de IA | C | C | C | C | I | R | A |
| Mantener el inventario | I | R | C | C | I | I | I |
| Evaluación de impacto | C | R | A | C | I | I | I |
| Controles de privacidad | A | R | C | C | I | I | I |
| Controles de seguridad | I | R | C | A | I | I | I |
| Cumplimiento legal (Penal/LFDA/LFT) | A | C | R | C | C | I | I |
| Red teaming / pruebas | I | R | C | A | I | I | I |
| Gestión de incidentes | C | R | C | A | C | I | I |
| Revisión por la dirección | C | C | C | C | C | R | A |
*Marco de referencia creado con apoyo de Inteligencia Artificial y basado en documentación de OWASP, NIST, CSA, AIVerify, Normas ISO 42001 y 42005
