NIST AI RMF para auditores internos: de cuatro funciones a preguntas de aseguramiento
Una organización puede afirmar que “usa NIST” porque su política de inteligencia artificial menciona el NIST AI Risk Management Framework (AI RMF). Para auditoría interna, esa afirmación dice poco. La pregunta útil no es si el nombre del marco aparece en un documento, sino si los riesgos de IA se gobiernan, contextualizan, miden y gestionan de forma consistente y demostrable.
Ese matiz importa porque el NIST AI RMF 1.0 no es una norma de certificación ni un requisito legal general. NIST lo diseñó para uso voluntario y para ayudar a organizaciones de distintos sectores a incorporar consideraciones de confiabilidad en el diseño, desarrollo, despliegue, uso y evaluación de sistemas de IA. A septiembre de 2026, la versión publicada sigue siendo AI RMF 1.0, aunque NIST indica que se encuentra en proceso de revisión.
La oportunidad para auditoría interna consiste en utilizar sus cuatro funciones —Govern, Map, Measure y Manage— como un lenguaje para formular criterios y preguntas de aseguramiento, sin convertir el marco en un checklist de cumplimiento.
El AI RMF no debe auditarse como una lista de requisitos
El núcleo del marco organiza los resultados de gestión de riesgos en cuatro funciones. Govern es transversal: establece políticas, responsabilidades, cultura y mecanismos que sostienen las otras funciones. Map, Measure y Manage pueden aplicarse a sistemas o casos de uso concretos a lo largo de su ciclo de vida.
El propio AI RMF Playbook refuerza una distinción importante: sus acciones sugeridas son voluntarias y no forman una secuencia obligatoria que deba implementarse íntegramente.
Para auditoría interna, esto cambia la forma de usar el marco. Las Normas Globales de Auditoría Interna, en particular la Norma 13.4 sobre criterios de evaluación, exigen identificar criterios relevantes para evaluar la actividad bajo revisión. El AI RMF puede aportar esos criterios cuando sea apropiado, pero no debería aplicarse automáticamente a todos los sistemas ni presentarse como una obligación que la organización nunca adoptó.
La pregunta profesional es: ¿qué resultados del AI RMF son relevantes para el riesgo, el propósito y el contexto del sistema que estamos auditando?
Govern: ¿quién decide qué riesgo es aceptable?
Govern convierte la gestión del riesgo de IA en una responsabilidad organizativa, no únicamente técnica. NIST aborda, entre otros aspectos, requisitos legales aplicables, políticas, tolerancia al riesgo, inventarios de sistemas, responsabilidades, formación, cultura de riesgo, participación de partes interesadas y riesgos de terceros.
Para auditoría interna, una pregunta central es: ¿existe una estructura de gobierno que convierta la estrategia y la tolerancia al riesgo en decisiones observables sobre IA?
La evidencia puede incluir políticas de IA, inventarios de sistemas, criterios de clasificación, matrices de responsabilidades, actas de comités, límites de riesgo, formación por rol, estándares de proveedores y mecanismos de escalamiento. El trabajo no termina comprobando que esos documentos existan. El auditor debería probar si se utilizan realmente: seleccionar sistemas del inventario, rastrear quién aprobó su uso, verificar si la clasificación determinó controles adicionales y comprobar cómo se gestionaron excepciones o cambios significativos.
Una debilidad frecuente es confundir gobierno documentado con gobierno efectivo. Un comité sin información suficiente, un propietario sin autoridad o una política que no alcanza a herramientas adquiridas por terceros pueden dejar intacto el riesgo aunque la documentación parezca completa.
Map: ¿entendemos el sistema antes de intentar medirlo?
Map obliga a situar el sistema en su contexto. El marco pide comprender su propósito, usuarios, entorno de uso, valor esperado, tolerancias al riesgo, capacidades, límites, supervisión humana, componentes de terceros e impactos potenciales sobre personas, grupos, organizaciones y sociedad.
La pregunta de aseguramiento es: ¿la organización entiende qué hace el sistema, para quién, bajo qué supuestos y con qué consecuencias antes de aceptar su riesgo?
El auditor puede buscar documentación del caso de uso, diagramas de arquitectura y flujos de datos, evaluaciones de riesgo o impacto, supuestos y limitaciones del modelo, descripción de usuarios, mecanismos de supervisión humana y dependencias externas. Después debe contrastar esa representación con la operación real.
Por ejemplo, un sistema autorizado para apoyar una decisión puede terminar utilizándose de facto para automatizarla. Ese cambio modifica el contexto, la exposición y el nivel de evidencia necesario. Por eso, Map no es una actividad que se completa una sola vez: el contexto debe revisarse cuando cambian el uso, los datos, el modelo, los usuarios o el entorno regulatorio.
Measure: ¿las pruebas reflejan el riesgo y el entorno real?
Measure utiliza métodos cualitativos, cuantitativos o mixtos para evaluar riesgos e impactos. NIST espera que las métricas respondan a los riesgos identificados en Map, que las pruebas y sus herramientas estén documentadas y que el comportamiento del sistema se evalúe en condiciones comparables con las de despliegue. Según el caso, las evaluaciones pueden cubrir validez y confiabilidad, seguridad, resiliencia, transparencia, explicabilidad, privacidad, equidad y sesgos.
La pregunta de aseguramiento es: ¿las métricas y pruebas permiten saber si los riesgos relevantes están dentro de límites aceptables?
Aquí auditoría interna debe evitar dos extremos. El primero es aceptar una métrica técnica porque “se ve científica” sin comprobar qué riesgo representa. El segundo es exigir todas las características de confiabilidad con la misma profundidad para todos los sistemas. Un clasificador de documentos internos y un sistema que influye en decisiones sobre personas no requieren exactamente el mismo diseño de pruebas.
La evidencia puede incluir conjuntos de prueba, criterios de aceptación, resultados de validación, umbrales, evaluaciones independientes, análisis de errores, pruebas de seguridad y privacidad, monitoreo de producción y registros de degradación. El procedimiento de auditoría debería conectar cada métrica con un riesgo identificado y verificar si los resultados adversos generan escalamiento o acciones.
Manage: ¿los resultados de riesgo cambian decisiones?
Manage convierte el análisis en respuesta. El marco contempla decisiones de continuar o detener un despliegue, priorización del tratamiento, aceptación de riesgo residual, gestión de terceros, monitoreo posterior al despliegue, respuesta a incidentes, recuperación, cambios y desactivación del sistema cuando su comportamiento deja de ser consistente con el uso previsto.
La pregunta de aseguramiento es: ¿la organización actúa sobre lo que aprende acerca del riesgo de IA?
La evidencia relevante incluye decisiones go/no-go, planes de tratamiento, aceptaciones formales de riesgo, responsables y fechas, registros de incidentes, acciones correctivas, cambios de configuración, monitoreo de proveedores, criterios de suspensión y evidencia de seguimiento. Un tablero con métricas no demuestra gestión si nadie toma decisiones cuando se supera un umbral.
Esta función también ayuda a evaluar si existe un ciclo de mejora. Los incidentes, desviaciones y retroalimentación deberían modificar evaluaciones, controles, formación y, cuando corresponda, el propio diseño del sistema.
De cuatro funciones a un programa de trabajo
El valor del AI RMF aparece cuando las funciones se convierten en afirmaciones que pueden probarse. Una forma práctica es utilizar la siguiente cadena:
| Función | Pregunta de aseguramiento | Evidencia esperada | Ejemplo de prueba |
|---|---|---|---|
| Govern | ¿Responsabilidades, límites y reglas de riesgo están definidos y operan? | Política, inventario, roles, tolerancias, comités, formación | Rastrear una muestra de sistemas desde inventario hasta aprobación y supervisión |
| Map | ¿Propósito, contexto, límites e impactos están comprendidos? | Caso de uso, arquitectura, evaluación de riesgos/impactos, supervisión humana | Comparar el uso aprobado con el uso real y revisar cambios de contexto |
| Measure | ¿Las pruebas miden los riesgos relevantes con criterios adecuados? | Métricas, conjuntos de prueba, validación, umbrales, monitoreo | Reejecutar o inspeccionar pruebas y verificar trazabilidad entre riesgo, métrica y resultado |
| Manage | ¿Los resultados generan tratamiento, escalamiento y mejora? | Planes, aceptación de riesgo, incidentes, cambios, seguimiento | Seleccionar desviaciones y comprobar decisión, responsable, acción y cierre |
Las Normas Globales de Auditoría Interna proporcionan la disciplina profesional para realizar esa conversión: evaluar riesgos del trabajo, establecer criterios, reunir información relevante, fiable y suficiente, analizar la diferencia entre criterio y condición y sustentar las conclusiones. El Artificial Intelligence Auditing Framework del IIA puede complementar la perspectiva de NIST con una orientación específicamente diseñada para auditoría interna.
Cuando el alcance incluye inteligencia artificial generativa, el NIST AI 600-1, Generative Artificial Intelligence Profile añade riesgos y acciones específicas para GenAI. Debe entenderse como un perfil que extiende la aplicación del AI RMF, no como un sustituto de las cuatro funciones.
El objetivo final no es emitir una conclusión de que la organización está “NIST compliant”. Es determinar, con evidencia suficiente, si la forma en que la organización gobierna, contextualiza, mide y gestiona sus sistemas de IA es proporcional a sus objetivos, impactos y tolerancia al riesgo. Esa es la diferencia entre citar un marco y utilizarlo realmente para proporcionar aseguramiento.
Fuentes
- NIST, Artificial Intelligence Risk Management Framework (AI RMF)
- NIST, Artificial Intelligence Risk Management Framework (AI RMF 1.0), NIST AI 100-1
- NIST, AI RMF Playbook
- NIST, Artificial Intelligence Risk Management Framework: Generative Artificial Intelligence Profile, NIST AI 600-1
- The Institute of Internal Auditors, Normas Globales de Auditoría Interna
- The Institute of Internal Auditors, Artificial Intelligence Auditing Framework, 2nd Edition