Una taxonomía práctica de riesgos de IA para auditores

Una organización puede registrar “riesgo de IA” como una sola línea en su matriz corporativa y, aun así, no saber qué auditar. El término puede referirse a datos de mala calidad, un modelo que pierde desempeño, información confidencial enviada a una herramienta generativa, un proveedor que cambia su servicio sin aviso o un agente con permisos excesivos.

Todos pueden producir pérdidas financieras, incumplimiento, daño reputacional o perjuicios para clientes. Pero esas consecuencias no indican dónde está el fallo ni qué control debería existir.

Esa es la utilidad de una buena taxonomía: no crear más etiquetas, sino convertir un tema difuso en superficies de control que un auditor pueda comprender, priorizar y probar.

Una taxonomía útil clasifica la fuente del riesgo, no solo su consecuencia

Los principales marcos no utilizan una única lista universal de riesgos de IA. El NIST AI Risk Management Framework organiza la gestión mediante las funciones Govern, Map, Measure y Manage y considera impactos sobre personas, organizaciones y sociedad. ISO/IEC 23894:2023 es una guía para integrar la gestión de riesgos relacionados con IA en las actividades y procesos de la organización. Por su parte, The IIA’s Artificial Intelligence Auditing Framework orienta a auditoría interna sobre gobierno, riesgos y controles, incluyendo datos, algoritmos y ciberseguridad.

Para el trabajo de auditoría conviene hacer una síntesis distinta: clasificar primero por la fuente o superficie de control del riesgo y después registrar el impacto empresarial.

Así, “discriminación en decisiones de contratación” es una consecuencia que podría originarse en datos no representativos, diseño del modelo, criterios de negocio o supervisión humana. “Pérdida financiera”, “incumplimiento” y “daño reputacional” siguen siendo importantes, pero funcionan mejor como dimensiones de impacto que como familias técnicas de riesgo.

La taxonomía que sigue es, por tanto, una herramienta de trabajo para auditoría. No sustituye una clasificación legal, el registro de riesgos corporativo ni los requerimientos de un marco concreto.

Ocho familias de riesgo que cubren la mayor parte de la superficie auditable

Familia	Qué puede fallar	Evidencia que un auditor puede buscar	Pregunta de auditoría
1. Gobierno y rendición de cuentas	Propiedad ambigua, inventario incompleto, decisiones fragmentadas, políticas débiles, falta de escalamiento o competencias insuficientes.	Inventario de sistemas y usos de IA, roles aprobados, políticas, comités, criterios de aprobación, actas y escalaciones.	¿Está claro quién puede aprobar, cambiar, detener y aceptar el riesgo de cada uso de IA?
2. Datos	Mala calidad, datos incompletos o no representativos, procedencia desconocida, uso indebido de información personal o confidencial, problemas de propiedad intelectual o linaje.	Fichas de datos, fuentes, controles de acceso, evaluaciones de calidad, retención, linaje, registros de preparación y permisos de uso.	¿Los datos son adecuados para el propósito y puede demostrarse de dónde vienen y quién puede utilizarlos?
3. Modelo y desempeño	Exactitud insuficiente, sesgo, falta de robustez, deriva, baja explicabilidad o uso fuera del contexto validado.	Criterios de desempeño, validaciones, pruebas, umbrales, monitoreo, análisis de drift, limitaciones documentadas y aprobaciones de cambio.	¿El desempeño se evalúa contra el propósito, los usuarios y las consecuencias reales del sistema?
4. IA generativa y aplicación	Confabulaciones, resultados inconsistentes, contenido inseguro, inyección de prompts, fuga de datos, problemas de propiedad intelectual, citas engañosas o dependencia excesiva del resultado.	Pruebas de comportamiento, filtros, instrucciones de sistema, RAG y fuentes autorizadas, registros de uso, revisiones humanas y gestión de incidentes.	¿El flujo controla tanto lo que el modelo genera como la información y el contexto que recibe?
5. Agentes y autonomía	Permisos excesivos, acciones no previstas, uso indebido de herramientas, memoria persistente, dependencias ocultas, fallos en cascada o saltos de aprobación.	Identidades de agentes, permisos, herramientas habilitadas, límites de acción, aprobaciones, logs, condiciones de parada y mecanismos de revocación.	¿La autoridad del agente es proporcional a la tarea y puede reconstruirse quién autorizó cada acción relevante?
6. Terceros y concentración	Modelos opacos, cambios del proveedor, subcontratistas desconocidos, dependencia de nube o modelos fundacionales, falta de derechos de auditoría, continuidad o estrategia de salida.	Due diligence, contratos, SLAs, notificaciones de cambio, subprocesadores, derechos de auditoría, métricas, incidentes, continuidad y exit plans.	¿La organización puede gestionar el riesgo aunque no controle el modelo o la infraestructura subyacente?
7. Seguridad y amenazas habilitadas por IA	Exfiltración de datos, integraciones inseguras, ataques adversariales, inyección maliciosa, robo de credenciales o de modelos, deepfakes y fraude asistido por IA.	Arquitectura, controles de identidad y acceso, pruebas de seguridad, monitoreo, segregación, logs, respuesta a incidentes y controles antifraude.	¿Los controles protegen el sistema de IA y también los procesos de negocio frente a nuevas capacidades de ataque?
8. Personas e impacto social	Sesgo de automatización, discriminación, manipulación, accesibilidad deficiente, pérdida de criterio profesional, impacto laboral o supervisión humana meramente formal.	Evaluaciones de impacto, definición de roles, formación, mecanismos de revisión y apelación, métricas por grupos, excepciones y decisiones humanas documentadas.	¿La intervención humana tiene autoridad, información, tiempo y competencia para cambiar una decisión cuando sea necesario?

Estas familias no son mutuamente excluyentes. Un mismo riesgo puede atravesar varias. Una respuesta generativa equivocada usada por un agente para aprobar un pago, por ejemplo, puede involucrar riesgos de IA generativa, autonomía, datos, seguridad y gobierno. Forzar una única etiqueta puede ocultar la cadena causal.

La práctica más útil es asignar una familia primaria, donde debería residir el control principal, y una o dos relaciones secundarias cuando ayuden a entender el riesgo.

La prioridad aparece cuando añadimos cuatro modificadores

La taxonomía responde “¿de dónde viene el riesgo?”. Para decidir cuánto importa, el auditor necesita una segunda capa.

Impacto empresarial. Traduzca el fallo a objetivos y consecuencias: finanzas, cumplimiento, privacidad, seguridad, operaciones, clientes, reputación, derechos o estrategia. NIST insiste en que los riesgos de IA pueden afectar a individuos, organizaciones y sociedad; por eso no conviene limitar el análisis al balance financiero.

Etapa del ciclo de vida. El mismo problema cambia según aparezca en selección, diseño, entrenamiento, configuración, adquisición, despliegue, operación, monitoreo o retiro. ISO/IEC 42001:2023 exige un sistema de gestión de IA basado en riesgos y su Anexo C informativo reconoce fuentes asociadas, entre otras, a datos, aprendizaje automático y ciclo de vida.

Escala y exposición. Un error ocasional en una herramienta de productividad no equivale a una decisión automatizada aplicada a cientos de miles de clientes. Volumen, frecuencia, reversibilidad, sensibilidad de los datos y población afectada modifican la severidad.

Nivel de autonomía. Este modificador se ha vuelto especialmente importante. Un copiloto que propone texto crea un perfil de riesgo distinto de un agente que puede enviar correos, ejecutar código o cambiar registros. En 2026, NIST ha reforzado su trabajo específico sobre agentes y destaca la importancia de identidad, autorización, herramientas y acciones autónomas. La pregunta deja de ser únicamente “¿el resultado es correcto?” y pasa a incluir “¿qué puede hacer el sistema si se equivoca?”.

Cómo convertir la taxonomía en un riesgo auditable

Una etiqueta como “riesgo de modelo” todavía es demasiado amplia. El siguiente paso es formular un riesgo que conecte causa, fallo e impacto:

Debido a [fuente o condición de control], el sistema o flujo de IA puede [modo de fallo], provocando [impacto] sobre [objetivo o parte interesada].

Ejemplo: “Debido a la ausencia de criterios de actualización y monitoreo, el modelo de priorización de reclamaciones puede deteriorar su desempeño sin ser detectado, provocando decisiones inconsistentes, mayores tiempos de resolución y trato desigual a determinados clientes”.

Esta formulación conduce directamente a preguntas de control: ¿qué umbral activa una revisión?, ¿quién observa el desempeño?, ¿qué evidencia demuestra que el cambio fue investigado?, ¿quién puede retirar el modelo?

También evita otro error frecuente: transformar la taxonomía en una lista de controles. El riesgo describe una exposición; el control es la respuesta. Una organización puede tratar el mismo riesgo mediante combinaciones distintas de prevención, detección, revisión humana, limitaciones técnicas, monitoreo o aceptación explícita.

Dónde encaja en el trabajo de auditoría interna

Las Normas Globales de Auditoría Interna no prescriben una taxonomía de IA. Sí exigen un enfoque basado en riesgos. La Norma 9.4 requiere que el plan de auditoría interna se base en una evaluación documentada de estrategias, objetivos y riesgos, y la Norma 13.2 exige comprender la actividad bajo revisión e identificar los riesgos significativos para los objetivos.

Una taxonomía reutilizable puede apoyar al menos cuatro decisiones:

Universo y plan de auditoría. Identificar dónde existe exposición a IA, incluso cuando la IA esté embebida en procesos de compras, recursos humanos, finanzas, atención al cliente o ciberseguridad.
Scoping del trabajo. Evitar que una auditoría de “gobierno de IA” cubra políticas y comités pero ignore datos, proveedores o sistemas con capacidad de acción.
Diseño de pruebas. Convertir cada familia en expectativas de control, evidencia y procedimientos.
Agregación de hallazgos. Detectar patrones transversales, como inventarios incompletos, controles de cambio débiles o dependencia de un proveedor común.

La clave es conservar la taxonomía estable y permitir que los riesgos concretos evolucionen. NIST indica actualmente que AI RMF 1.0 se encuentra en revisión. La tecnología también cambia con rapidez. Una taxonomía basada en superficies de control —gobierno, datos, modelos, aplicaciones, agentes, terceros, seguridad y personas— resulta más resistente que una lista construida alrededor de incidentes de moda.

El objetivo no es clasificar mejor; es auditar mejor

Una taxonomía se vuelve inútil cuando pretende ser perfecta. Si contiene decenas de categorías, nadie la aplica de forma consistente. Si solo habla de “ética”, “privacidad” y “ciberseguridad”, no explica dónde buscar evidencia. Y si copia un marco sin adaptarlo a la organización, puede dar una falsa impresión de cobertura.

El estándar práctico es más sencillo: cada riesgo relevante debería poder ubicarse, expresarse como una cadena causal, relacionarse con un objetivo empresarial y traducirse en evidencia que un auditor pueda solicitar.

Cuando eso ocurre, la conversación sobre IA deja de depender de palabras como “modelo”, “algoritmo” o “agente”. Vuelve al terreno conocido de auditoría: quién es responsable, qué puede fallar, qué control debería responder y qué evidencia demuestra que realmente funciona.