{"id":991,"date":"2026-10-27T06:03:00","date_gmt":"2026-10-27T06:03:00","guid":{"rendered":"https:\/\/i2sc.es\/?p=991"},"modified":"2026-10-11T11:41:32","modified_gmt":"2026-10-11T11:41:32","slug":"estndares-iso-relacionados-con-el-gobierno-la-gestin-y-la-calidad-de-la-ia-iii","status":"publish","type":"post","link":"https:\/\/i2sc.es\/en\/blog\/estndares-iso-relacionados-con-el-gobierno-la-gestin-y-la-calidad-de-la-ia-iii\/","title":{"rendered":"ISO standards relating to the governance, management and quality of AI (III)"},"content":{"rendered":"\n

En las contribuciones anteriores, Est\u00e1ndares ISO relacionados con el gobierno, la gesti\u00f3n y la calidad de la IA (I)<\/a> y (II)<\/a>, presentamos las normas que abordan temas relacionados con el gobierno y la gesti\u00f3n de la IA. En esta ocasi\u00f3n abordaremos las normas [1]<\/a> relacionadas con la calidad de los SIA, empezando por las normas relacionadas con los datos.<\/a><\/p>\n\n\n\n

Ciclo de vida de los datos<\/strong><\/strong><\/h3>\n\n\n\n

<\/p>\n\n\n\n

ISO\/IEC  8183 Information technology \u2014 Artificial intelligence \u2014 Data life cycle framework<\/a><\/p>\n\n\n\n

El objetivo de esta norma es proporcionar un marco de alto nivel, pr\u00e1ctico y general aplicable a cualquier organizaci\u00f3n que procese datos para IA, independientemente de si utiliza enfoques basados en Machine Learning (aprendizaje autom\u00e1tico) u otras tecnolog\u00edas de IA. Para ello regula las acciones asociadas al procesamiento de datos a lo largo de todo el ciclo de vida del sistema de IA, desde la concepci\u00f3n inicial hasta su retiro definitivo; para organizaciones de cualquier tama\u00f1o o sector que adquieran, creen, desarrollen, desplieguen o mantengan datos orientados a sistemas de IA.<\/p>\n\n\n\n

Al estructurar el flujo de los datos, la ISO\/IEC 8183 act\u00faa como un pilar fundamental para cumplir con los requisitos de gobierno de datos exigidos por la norma ISO\/IEC 42001 (Sistema de Gesti\u00f3n de IA) y normativas internacionales de cumplimiento \u00e9tico y legal.<\/p>\n\n\n\n

Calidad de los datos<\/strong><\/strong><\/h3>\n\n\n\n

<\/p>\n\n\n\n

ISO\/IEC 5259-1 Artificial intelligence \u2014 Data quality for analytics and machine learning (ML) Part 1: Overview, terminology, and examples<\/a><\/p>\n\n\n\n

El objetivo de esta norma, la primera de la familia de normas ISO\/IEC 5259<\/a>,  es establecer un lenguaje com\u00fan y un marco de referencia unificado para describir, medir y gestionar la calidad de los datos utilizados en el desarrollo y operaci\u00f3n de sistemas de IA y ML (Machine Learning<\/em>). Reconoce que la calidad de los datos es el factor determinante para el rendimiento, la equidad (fairness<\/em>) y la seguridad de los modelos.<\/p>\n\n\n\n

ISO\/IEC 5259-2 Artificial intelligence \u2014 Data quality for analytics and machine learning (ML) Part 2: Data quality measures<\/a><\/p>\n\n\n\n

El objetivo principal de esta norma es sustituir las evaluaciones subjetivas de \u00abbuenos o malos datos\u00bb por medidas e indicadores de calidad estandarizados y replicables. Aplica tanto a datos estructurados (tablas, bases de datos relacionales) como no estructurados (texto, im\u00e1genes, audio y video), los cuales son habituales en el entrenamiento de modelos de Machine Learning (ML). El est\u00e1ndar se construye sobre la base de normas de calidad de datos previas como la norma ISO\/IEC 25012<\/a>, pero adapt\u00e1ndolas a las necesidades espec\u00edficas de la IA.<\/p>\n\n\n\n

ISO\/IEC 5259-3 Artificial intelligence \u2014 Data quality for analytics and machine learning (ML) Part 3: Data quality management requirements and guidelines<\/a><\/p>\n\n\n\n

El objetivo principal de esta norma es asegurar que la calidad de los datos para IA\/ML no sea un esfuerzo t\u00e9cnico aislado, sino un proceso continuo, sistem\u00e1tico y gobernado a nivel institucional. Adopta la filosof\u00eda de los sistemas de gesti\u00f3n tradicionales de la ISO (como el ciclo PHVA: Planificar, Hacer, Verificar, Actuar) para aplicarlo espec\u00edficamente al gobierno del dato anal\u00edtico, mitigando riesgos operativos, \u00e9ticos y legales antes de que los datos alimenten a los algoritmos.<\/p>\n\n\n\n

La norma espec\u00edfica una serie de obligaciones institucionales para las organizaciones que desarrollan o despliegan IA: Pol\u00edtica de Calidad de Datos para IA, Roles y Responsabilidades Claros; y Asignaci\u00f3n de Recursos y Competencias.<\/p>\n\n\n\n

ISO\/IEC 5259-4 Artificial intelligence \u2014 Data quality for analytics and machine learning (ML) Part 4: Data quality process framework<\/a><\/p>\n\n\n\n

El objetivo fundamental de esta norma es definir un marco de referencia de procesos est\u00e1ndar para la ingenier\u00eda de datos orientada a IA; que describe las actividades t\u00e9cnicas, las tareas operativas, las entradas (inputs<\/em>) y las salidas (outputs<\/em>) que los equipos t\u00e9cnicos deben ejecutar para asegurar que los datos mantengan su idoneidad a lo largo de todo su ciclo de procesamiento. Establece una secuencia l\u00f3gica de ingenier\u00eda aplicable tanto a proyectos peque\u00f1os de Machine Learning como a grandes arquitecturas de datos en la nube.<\/p>\n\n\n\n

ISO\/IEC 5259-5 Artificial intelligence \u2014 Data quality for analytics and machine learning (ML) Part 5: Data quality governance framework<\/a><\/p>\n\n\n\n

El objetivo principal de esta norma es asegurar que la calidad de los datos de IA sea tratada como un activo estrat\u00e9gico corporativo y una responsabilidad de la alta direcci\u00f3n, no meramente como un problema t\u00e9cnico del departamento de ingenier\u00eda.<\/p>\n\n\n\n

Se basa en los principios globales de gobierno de TI (como la familia ISO\/IEC 38500) y los adapta a los riesgos espec\u00edficos de la IA, tales como las consecuencias legales, financieras y reputacionales de entrenar modelos con datos sesgados, desactualizados o de procedencia dudosa.<\/p>\n\n\n\n

ISO\/IEC TR 5259-6 Artificial intelligence \u2014 Data quality for analytics and machine learning (ML) Part 6: Visualization framework for data quality<\/a><\/p>\n\n\n\n

El objetivo de este informe t\u00e9cnico es proporcionar directrices y mejores pr\u00e1cticas para traducir las m\u00e9tricas num\u00e9ricas complejas de calidad de datos (definidas en la Parte 2) en representaciones visuales comprensibles; actuando como una gu\u00eda de ingenier\u00eda y dise\u00f1o. Aplica a la visualizaci\u00f3n de la calidad de datos en cualquier fase del ciclo de vida (seg\u00fan la norma ISO\/IEC 8183), abarcando datos estructurados y no estructurados (im\u00e1genes, texto, audio).<\/p>\n\n\n\n

ISO\/IEC CD 25590 Information technology\u2014Artificial intelligence\u2014Guidance for output data quality of generative AI applications<\/a><\/p>\n\n\n\n

El objetivo central de la norma es proporcionar un marco de referencia internacional y directrices t\u00e9cnicas para evaluar, medir y gestionar la calidad de las salidas (outputs<\/em>) generadas por aplicaciones de IA Generativa. Busca que las organizaciones cuenten con metodolog\u00edas estandarizadas para determinar si el texto, las im\u00e1genes, el c\u00f3digo de programaci\u00f3n, el audio o el video producidos por un modelo (como un LLM o un modelo de difusi\u00f3n) son seguros, confiables y aptos para su uso comercial u operacional.<\/p>\n\n\n\n

ISO\/IEC CD TR 25523 Information technology \u2014 Artificial intelligence \u2014 Overview of data profiles for analytics and ML<\/a><\/p>\n\n\n\n

El objetivo de este informe t\u00e9cnico es proporcionar una visi\u00f3n general y una gu\u00eda conceptual sobre c\u00f3mo crear y utilizar perfiles de datos dise\u00f1ados espec\u00edficamente para proyectos de anal\u00edtica avanzada y Aprendizaje Autom\u00e1tico (ML).<\/p>\n\n\n\n

En el contexto de la IA, un perfil de datos<\/em> es un conjunto de metadatos estructurados que describe de forma exhaustiva las caracter\u00edsticas, limitaciones, origen y calidad de un dataset<\/em>. La norma busca estandarizar estos perfiles para que cualquier desarrollador, auditor o regulador pueda entender de inmediato si un conjunto de datos es apto y seguro para entrenar un modelo espec\u00edfico.<\/p>\n\n\n\n

Otras normas<\/strong><\/strong><\/h3>\n\n\n\n

<\/p>\n\n\n\n

Existen normas e informes t\u00e9cnicos espec\u00edficos para Big Data<\/em> que tambi\u00e9n pueden resultar \u00fatiles para los SIA:<\/p>\n\n\n\n