El inventario de IA que toda organización necesita

Una organización puede afirmar que tiene un inventario de inteligencia artificial y, al mismo tiempo, no saber cuántas funciones usan copilotos integrados en software, qué modelos externos procesan datos sensibles o qué experimentos ya pasaron de prueba a producción. El problema no suele ser la ausencia de una hoja de cálculo. Es que el inventario se diseñó como una lista administrativa y no como un control de gobierno.

Un inventario de IA útil debe permitir responder preguntas operativas: ¿qué sistema o caso de uso existe?, ¿para qué se utiliza?, ¿quién responde por él?, ¿qué riesgo representa?, ¿de qué proveedores y datos depende?, ¿en qué etapa del ciclo de vida se encuentra? y ¿qué evidencia demuestra que sigue autorizado y controlado? Su valor no está en contar herramientas, sino en crear una vista gobernable del portafolio de IA.

El objeto que debe inventariarse no es solo el modelo

Un error frecuente es construir el registro alrededor del nombre del modelo: un algoritmo interno, un modelo de machine learning o un modelo fundacional contratado. Eso es insuficiente. El mismo modelo puede utilizarse para resumir documentos internos, decidir prioridades comerciales o alimentar un agente con permisos para ejecutar acciones; el riesgo cambia radicalmente según el contexto.

Por eso, la unidad práctica del inventario debería ser el sistema o caso de uso de IA dentro de un contexto de utilización, con vínculos hacia sus componentes compartidos. Un modelo fundacional puede aparecer como dependencia de múltiples entradas, pero cada uso conserva su propósito, usuarios, datos, controles y exposición propios.

El NIST AI RMF Playbook, de uso voluntario, lo hace explícito en GOVERN 1.6: plantea mecanismos para inventariar sistemas de IA y asignar recursos según prioridades de riesgo. Su perfil para IA generativa añade un punto práctico: considerar los sistemas generativos integrados en aplicaciones y documentar las excepciones permitidas por la organización.

En septiembre de 2026, NIST sigue identificando AI RMF 1.0 como la versión publicada vigente, aunque el marco está en proceso de revisión. Esto refuerza una idea importante: el inventario debe poder adaptarse sin rehacerse cada vez que cambie un marco o una tecnología.

Los campos mínimos deben conectar propósito, responsabilidad y riesgo

No todas las organizaciones necesitan la misma cantidad de campos. Sin embargo, un registro demasiado corto termina siendo incapaz de dirigir aprobaciones, revisiones o auditorías. Un diseño mínimo viable puede organizarse en cuatro grupos.

Grupo	Campos esenciales	Por qué importan	Ejemplos
Identidad y propósito	ID único, nombre del caso de uso, proceso, objetivo, capacidad de IA	Evita duplicidades y conecta la tecnología con una necesidad empresarial	recomendación, predicción, GenAI, RAG, agente
Responsabilidad	propietario de negocio, propietario técnico, usuarios, función de supervisión	Permite saber quién decide, opera, corrige y acepta riesgo	Ventas, TI, Riesgos, comité de IA
Riesgo y dependencias	nivel de criticidad, datos utilizados, proveedor/modelo, terceros, impacto sobre personas o decisiones	Determina la intensidad de controles y revisiones	datos personales, modelo externo, decisión automatizada
Ciclo de vida y evidencia	estado, versión, fecha de aprobación, última evaluación, próxima revisión, incidentes/cambios, enlaces a documentación	Mantiene el inventario vivo y trazable	piloto, producción, suspendido, retirado

La segunda edición del Artificial Intelligence Auditing Framework del IIA recomienda que el inventario abarque usos actuales y planificados e incluya, entre otros aspectos, el objetivo de la IA, quién la utiliza y gestiona, las herramientas utilizadas, las consideraciones de riesgo y quién ejerce la supervisión. Para auditoría interna, estos campos también convierten el inventario en una entrada útil para la evaluación de riesgos y la definición de cobertura.

ISO/IEC 42001:2023 tampoco reduce el gobierno de IA a una lista. La norma exige asignar responsabilidades, gestionar riesgos y mantener información documentada; sus controles de referencia incluyen la identificación y documentación de recursos relevantes para los sistemas de IA a lo largo de su ciclo de vida. El inventario es una forma práctica de integrar esas piezas, pero no sustituye el sistema de gestión ni la evidencia de que los controles operan. La ficha oficial de ISO/IEC 42001 confirma que el estándar aborda el establecimiento, implementación, mantenimiento y mejora continua de un sistema de gestión de IA.

La clasificación debe cambiar lo que ocurre después

Clasificar un sistema como “alto”, “medio” o “bajo” riesgo no aporta valor si las tres categorías siguen el mismo proceso. La clasificación debe activar decisiones distintas.

Una organización puede empezar con cuatro dimensiones: impacto del uso, sensibilidad de los datos, grado de autonomía o influencia sobre decisiones y dependencia de terceros. El nivel resultante debería determinar quién aprueba, qué evaluación se exige, qué evidencia se conserva, con qué frecuencia se revisa el sistema y qué cambios requieren revalidación.

La guía de COSO Achieving Effective Internal Control Over Generative AI, publicada en 2026, propone precisamente inventariar casos de uso de GenAI, asignar propietario y documentar atributos como objetivo, fuentes de datos, modelo, modalidad de despliegue, criticidad, dependencias, versión y cambios. Su secuencia es importante: primero se inventaría y clasifica; después se evalúan riesgos, se diseñan controles y se monitorea.

Un inventario maduro no describe únicamente qué IA existe. Determina qué gobierno debe aplicarse a cada uso.

El estado del ciclo de vida debe ser un campo controlado

“Activo” e “inactivo” son estados demasiado pobres para gobernar IA. Entre una idea y un sistema retirado existen decisiones relevantes que deben quedar visibles.

Una taxonomía sencilla puede utilizar propuesto, en evaluación, piloto, aprobado para producción, en producción, restringido o suspendido y retirado. Cada transición debería estar asociada a un evento verificable: aprobación, finalización de pruebas, cambio de versión, ampliación del contexto de uso, incidente significativo o decisión de desmantelamiento.

Esto importa especialmente para herramientas externas. Un proveedor puede actualizar el modelo sin cambiar el nombre comercial, un asistente puede incorporar capacidades agentivas o un piloto puede convertirse en práctica habitual. El inventario debe capturar versión, modalidad de acceso, dependencias y cambios materiales, no solo la etiqueta del producto.

La gestión del ciclo de vida también evita un riesgo común: sistemas “retirados” que siguen conservando credenciales, datos, integraciones o usuarios activos. Retirar una entrada del inventario debería requerir evidencia de desactivación o transferencia de las dependencias relevantes.

La completitud no se demuestra preguntando una vez

La mayor debilidad de muchos inventarios es la confianza excesiva en encuestas a las áreas. Las encuestas son útiles, pero dependen de que las personas reconozcan qué cuenta como IA, conozcan todas las funciones integradas en sus herramientas y decidan reportarlas.

La completitud debe probarse mediante reconciliaciones entre fuentes independientes. Un enfoque fundamental puede cruzar al menos cinco señales:

Compras y gestión de proveedores: contratos, renovaciones y servicios que incluyan modelos, copilotos, APIs o capacidades de IA.
Catálogos de SaaS, SSO y aplicaciones: herramientas habilitadas para usuarios aunque no hayan pasado por un proyecto formal de IA.
Gastos y tarjetas corporativas: suscripciones o créditos de API adquiridos fuera de compras centralizadas.
Repositorios técnicos y nube: endpoints de modelos, servicios de machine learning, librerías, agentes y proyectos de datos.
Responsables de procesos y encuestas: contexto que las fuentes técnicas no muestran, incluidos usos manuales o experimentales.

COSO recomienda realizar escaneos o encuestas periódicas para detectar shadow AI. El IIA también advierte que las conversaciones no deben limitarse a TI o al equipo de datos, porque otros departamentos y usuarios pueden estar utilizando IA para sus propias funciones.

Para auditoría interna, la prueba no consiste en demostrar que “no falta absolutamente nada”, algo difícil en entornos dinámicos. Consiste en evaluar si la organización ha diseñado un proceso razonable y repetible para descubrir nuevas utilizaciones, investigar diferencias entre fuentes y actualizar el registro con oportunidad. Las Normas Globales de Auditoría Interna proporcionan el marco profesional para evaluar gobierno, gestión de riesgos y control; el inventario de IA puede convertirse en una fuente clave para decidir dónde existe exposición y qué trabajos requieren cobertura.

El inventario debe funcionar como un proceso, no como un archivo anual

La mejor arquitectura es aquella en la que el inventario se actualiza por diseño. Una solicitud de compra crea o modifica una entrada. Un nuevo proyecto de IA exige registro antes de pasar a piloto. Una aprobación de producción cambia el estado y activa controles. Un cambio material obliga a reevaluar riesgo. Un incidente actualiza la evidencia y puede suspender el sistema. El retiro cierra el ciclo.

Así, el inventario conecta gobierno, riesgo, cumplimiento, seguridad, privacidad, proveedores y auditoría, y permite preguntar dónde se concentra el riesgo, qué proveedores son críticos o qué sistemas dependen del mismo modelo fundacional.

Auditoría interna puede ayudar a establecer el punto de partida y evaluar el diseño del proceso, pero el registro debería convertirse en un control de gestión mantenido por la organización. Si vive únicamente en los papeles de trabajo de auditoría, dejará de ser una herramienta de gobierno.

La prueba definitiva de calidad es sencilla: cuando aparece un nuevo riesgo, una vulnerabilidad de un proveedor o un cambio regulatorio, ¿puede la organización identificar rápidamente qué usos de IA están afectados, quién responde por ellos y qué evidencia debe revisarse? Si la respuesta requiere una nueva ronda de correos y hojas de cálculo, todavía no existe un inventario operativo de IA.