Gobernar los datos de marketing para la IA se reduce a cuatro decisiones que tomas antes de que el modelo vea nada: qué puede ver, dónde puede correr, quién posee el output y cuánto tiempo lo conservas. Toma esas decisiones antes de construir una capa de memoria y darán forma a la arquitectura. Sáltatelas y reconstruirás la capa más tarde, normalmente bajo la supervisión de un abogado, después de que algo ya haya salido mal.
He construido memoria en sistemas y he visto a equipos saltarse este paso en nombre de la velocidad. El patrón es consistente: el modelo ve más de lo que nadie pretendía, se hace una pregunta en una revisión, y sigue una corrección apresurada. La gobernanza no es el impuesto sobre el trabajo interesante; es la precondición para hacer el trabajo interesante con seguridad.
Las cuatro decisiones
¿Qué puede ver el modelo? No todos los datos de marketing son iguales. El research público, los datos internos de rendimiento, los PII de clientes y las categorías reguladas cargan obligaciones distintas. Decide la clasificación antes de que el modelo toque nada, porque una vez que los datos están en una ventana de contexto, «des-verlos» no es una opción real.
¿Dónde puede correr? Un modelo que corre dentro de tu entorno es un riesgo distinto de uno al que le envías prompts por una API, y ambos son distintos de una herramienta pública en la que un miembro del equipo pega cosas. Decide qué clases de datos pueden ir a qué tipo de modelo, y haz la respuesta aplicable en vez de aspiracional.
¿Quién posee el output? Cuando el modelo produce un plan, una pieza de copy o una definición de audiencia, alguien tiene que ser dueño de ello. Gobernanza significa nombrar a esa persona, y dejar claro que la responsabilidad no se transfiere a la herramienta. Es el mismo principio que el estándar de revisión en el carril de ejecución.
¿Cuánto tiempo lo conservas? La retención es la decisión que los equipos aplazan y luego lamentan. Si el contexto mejora el modelo, quieres conservarlo. Si incluye datos personales o regulados, puede que estés obligado a borrarlo. Decide la retención por clase de dato, y haz real el borrado.
Clasifica los datos primero
La clasificación es la base de las otras tres decisiones, así que hazla primero y mantenla simple. Un esquema viable son cuatro cubos: público, interno, confidencial y regulado. Los datos públicos pueden ir casi a cualquier sitio. Los internos —rendimiento, gasto, estrategia— se quedan con modelos aprobados. Los confidenciales —contexto específico del cliente, planes sin publicar— se quedan dentro de controles. Los regulados —cualquier cosa que toque información personal o legalmente protegida— reciben el manejo más estricto y a menudo no entran nunca en un modelo general.
El valor de la clasificación es que hace las reglas legibles para todos. Un marketetero que conoce el cubo sabe qué puede pegar en qué herramienta, sin necesitar un memo de políticas para cada caso. Simple gana a exhaustivo aquí, porque una regla que nadie recuerda no es gobernanza.
Dónde corre el modelo
La decisión de hosting es donde se sienta la mayor parte del riesgo real. Un modelo desplegado dentro de tu propio entorno con tus propios controles es la opción más contenida y la que más trabajo da de mantener. Un modelo accedido vía una API de proveedor bajo un acuerdo de procesamiento de datos es el camino medio habitual, y los términos importan enormemente —si los inputs entrenan los modelos del proveedor, dónde se almacenan los datos, y cuáles son las garantías de borrado—.
Y luego está el caso de la herramienta pública, que es el que hay que cerrar explícitamente. Si los miembros del equipo pueden abrir un navegador y pegar datos de cliente en cualquier herramienta, nada del resto de esto importa. Nombra las herramientas aprobadas, bloquea o desincentiva el resto, y explica por qué. El camino no gobernado es casi siempre el conveniente.
Quién posee el output
Todo entregable asistido por IA necesita un dueño nombrado, y el dueño es una persona, no un flujo de trabajo. No es un tecnicismo; es lo que hace defendible el output. Si un modelo redacta un plan de medios y nadie firma, la agencia o el equipo ha publicado efectivamente la conjetura de una máquina. La gobernanza asigna la firma.
Esto conecta directamente con la compra. Cuando compras un servicio AI-native de una agencia, el contrato debería decir quién posee el output y quién es responsable cuando está mal. La ambigüedad ahí es cómo un incidente de calidad se vuelve legal. La respuesta de gobernanza y el estándar de revisión son la misma disciplina aplicada a riesgos distintos.
Retención y borrado
La retención es donde el beneficio de composición de la memoria y la obligación de borrar chocan, y no hay forma de evitar pensarlo bien. El contexto hace útil al modelo, así que quieres conservar los briefs, los resultados y las decisiones. Parte de esos mismos datos puede estar sujeta a requisitos de borrado o límites contractuales. La solución es retención por clase: conserva indefinidamente el contexto derivado y des-identificado; conserva los datos personales crudos solo mientras te esté permitido; y haz explícita la frontera entre ambos.
La razón para hacer esto antes de construir es que retrofitar el borrado en una capa de memoria es doloroso. Si los datos crudos y el contexto derivado están mezclados, separarlos después es una migración. Diseña la separación desde el principio. Este es el corazón práctico de por qué la IA sin memoria es solo un chatbot caro —la memoria es el valor, y también es la superficie de gobernanza—.
Una clasificación trabajada
Coge una campaña típica y ordena los inputs. El research de categoría y el panorama competitivo son públicos —pueden ir a cualquier sitio—. El gasto del cliente, el historial de rendimiento y la estrategia interna son internos —solo herramientas aprobadas—. Los conceptos creativos sin publicar y la lista de clientes del cliente son confidenciales —mantenlos dentro de controles—. Y cualquier cosa que identifique a una persona, o caiga en una categoría regulada, recibe el manejo más estricto y a menudo se queda fuera de los modelos generales por completo.
Una vez existe ese orden, las reglas se escriben solas. Los datos públicos pueden ir a herramientas públicas. Los datos internos y confidenciales van solo a modelos contratados y aprobados. Los datos regulados no van a ningún sitio sin una revisión específica. La clasificación es lo que convierte una política vaga en una decisión que un marketetero puede tomar en diez segundos, que es el único tipo de gobernanza que sobrevive al contacto con una semana ocupada.
Términos de proveedor que importan
Cuando evalúas un proveedor de modelos, cuatro términos deciden la mayor parte del riesgo. ¿Entrena el proveedor con tus inputs, o tus prompts quedan excluidos del entrenamiento? ¿Dónde se almacenan y procesan los datos, lo cual importa si tienes obligaciones de residencia de datos? ¿Cuáles son las garantías de borrado y cómo las aplicas? ¿Y qué pasa con tus datos si el contrato termina? Pide las respuestas por escrito, porque la web de marketing no te las dirá.
La mayoría de los proveedores enterprise ofrecen ahora una opción de no-entrenamiento y términos de borrado razonables; el punto es confirmarlo en vez de asumirlo. Para un equipo que pega datos de cliente en una ventana de chat, ninguno de estos términos aplica, que es exactamente por lo que la lista de herramientas aprobadas tiene que ser explícita y corta.
El orden de las operaciones
Clasifica los datos, decide dónde puede correr cada clase, nombra al dueño del output, y fija la retención por clase. Hazlo en ese orden, antes del primer prompt que toque datos reales. Luego escríbelo donde el equipo pueda encontrarlo, y haz que las herramientas aprobadas sean el camino fácil. La gobernanza que depende de que la gente recuerde una regla no es gobernanza; es esperanza.
FAQ
¿Necesitamos una política formal o basta con un acuerdo de equipo?
Empieza con un registro de decisiones de una página que cubra las cuatro preguntas, y formalízalo después si tu escala o tu regulador lo exige. Un acuerdo corto y aplicado gana a una política larga e ignorada. El punto es decidir, no producir un documento.
¿Podemos usar herramientas públicas de IA para datos internos de marketing?
Solo si los datos internos no son confidenciales ni regulados y los términos de la herramienta lo permiten. Para la mayoría de los equipos la respuesta honesta es enrutar los datos internos y de cliente por herramientas aprobadas y contratadas, y reservar las herramientas públicas para datos públicos o sintéticos.
¿Cómo fijamos la frontera de datos en sí?
Por clasificación, no por herramienta. Ordena cada input en uno de cuatro cubos —público, interno, confidencial, regulado— y deja que el cubo decida dónde puede ir: datos públicos a herramientas públicas, internos y confidenciales a modelos aprobados y contratados, regulados a ningún sitio sin una revisión específica. La frontera es la clasificación, y una vez existe un marketetero puede tomar la decisión en diez segundos sin un memo de políticas.
¿Y si no podemos saber a qué cubo pertenece algo?
Ve por defecto al cubo más estricto y ponlo en una lista corta de revisión en vez de adivinar. Los datos ambiguos suelen ser personales, específicos del cliente o regulados, que es exactamente lo que no quieres descubrir que se manejó mal más tarde. Una lista de dos líneas con los casos que la gente realmente marca, revisada cada mes, resuelve las zonas grises sin ralentizar el trabajo.
La versión corta
Gobierna los datos de marketing para la IA con cuatro decisiones tomadas antes de que el modelo vea nada: qué puede ver, dónde puede correr, quién posee el output y cuánto tiempo lo conservas. Clasifica primero, aloja con deliberación, nombra un dueño y fija la retención por clase —y luego construye la capa de memoria encima de eso—. La guía de Ejecución cubre el resto de las preguntas operativas, y el carril para equipos in-house trabaja la gobernanza hasta la medición.
Si has montado esto en tu propio equipo, me gustaría saber cuál de las cuatro decisiones fue la más difícil de acordar.
Un abrazo, Chandler
Este artículo está disponible en español, pero los materiales del curso (videos, plantillas y guías complementarias) están en inglés y japonés; este sitio está disponible en 13 idiomas.