Políticas de colaboracion responsable y ética IA

Privacidad de datos

1. No comparto con herramientas de IA datos personales identificables (PII), información financiera de clientes, ni credenciales, salvo en entornos aprobados por la organización con garantías contractuales de no entrenamiento sobre esos datos.

2. Antes de subir cualquier archivo o fragmento de código a una IA, verifico si contiene datos reales de producción; si los contiene, los anonimizo o uso datos sintéticos.

3. Prefiero herramientas con políticas claras de retención y borrado de datos, y reviso esas políticas al menos una vez al año o cuando cambien.

Supervisión humana

1. Toda salida generada por IA que afecte a terceros (código en producción, comunicaciones a clientes, decisiones de negocio) pasa por revisión humana antes de publicarse o ejecutarse.

2. No delego decisiones finales a la IA en asuntos con impacto legal, financiero o sobre personas (contrataciones, evaluaciones, sanciones).

3. Trato a la IA como un asistente que propone, no como una autoridad que decide.

Transparencia

1. Soy explícito, ante mi equipo y clientes, sobre qué partes de un entregable fueron generadas o asistidas por IA, siguiendo los criterios de la sección 6.

2. No presento como propio un análisis o texto sustancialmente generado por IA sin haberlo revisado y sin declarar su origen cuando el contexto lo requiere.

2. Límites para información sensible o confidencial

No se comparte con ninguna herramienta de IA (salvo entornos empresariales certificados y aprobados):

1. Código fuente propietario de clientes bajo NDA o contrato de confidencialidad.

2. Credenciales, tokens, llaves de API, cadenas de conexión o secretos de infraestructura.

3. Datos personales de empleados o clientes (nombres, documentos de identidad, historiales, datos de salud o financieros).

4. Información estratégica no pública: precios, propuestas comerciales, roadmaps, contratos en negociación.

5. Documentos internos marcados como confidenciales o restringidos según la política de clasificación de la organización.

Antes de usar IA en un caso dudoso, aplico esta regla: si no podría publicar este contenido en un canal público de la empresa, tampoco lo pego en una herramienta de IA de terceros.

3. Control de calidad al trabajo asistido por IA

1. Verificación de hechos: toda afirmación factual, cifra o referencia generada por IA se contrasta con una fuente primaria antes de usarse.

2. Revisión de código: el código generado por IA pasa por los mismos estándares que el código propio: pruebas unitarias, linter, revisión de pares (code review) y pruebas de seguridad antes de integrarse.

3. Trazabilidad: cuando es relevante, guardo el prompt y la versión del modelo usados para reproducir o auditar el resultado.

4. Prueba de «explicación propia»: si no puedo explicar con mis palabras por qué una solución generada por IA funciona, no la entrego ni la implemento.

5. Segunda lectura humana: documentos y entregables extensos generados con IA reciben al menos una revisión humana completa, no solo un vistazo superficial.

6. Métricas de error: cuando uso IA de forma recurrente en una tarea (por ejemplo, generación de reportes), llevo registro informal de errores detectados para decidir si el nivel de confianza es adecuado.

4. Criterios para la toma de decisiones en dilemas éticos

Cuando enfrento un dilema sobre el uso de IA, evalúo en este orden:

1. Legalidad: ¿la acción cumple con la normativa de protección de datos (Ley 1581 de 2012 en Colombia y normas aplicables), contractual y de propiedad intelectual?

2. Consentimiento: ¿las personas afectadas (clientes, colegas, usuarios finales) saben y aceptarían que se use IA en este caso si se les preguntara directamente?

3. Reversibilidad: ¿el resultado es fácil de corregir si la IA se equivoca, o el error tiene consecuencias difíciles de deshacer (producción, decisiones financieras, reputación)?

4. Proporcionalidad: ¿el beneficio de usar IA (velocidad, costo) justifica el riesgo asumido para el nivel de sensibilidad del caso?

5. Prueba del escrutinio público: ¿me sentiría cómodo explicando esta decisión abiertamente a mi cliente, mi equipo o un regulador?

6. Impacto en terceros vulnerables: ¿la decisión podría afectar desproporcionadamente a personas con menos poder de negociación o menos capacidad de detectar el error (usuarios finales, empleados junior)?

Si una decisión falla en dos o más de estos criterios, no procedo sin escalar la decisión a otra persona (superior, cliente o comité de ética si existe).

5. Problemas éticos relevantes en desarrollo de software empresarial

Sesgo algorítmico : Modelos de IA usados en lógica de negocio (scoring, priorización, recomendaciones) pueden heredar sesgos de los datos de entrenamiento y perjudicar a ciertos usuarios o clientes.

Alucinaciones en código o documentación : El código o la documentación generados pueden parecer correctos pero contener errores lógicos, dependencias inexistentes o vulnerabilidades sutiles.

Propiedad intelectual : Código generado por IA puede reproducir fragmentos de código con licencia restrictiva, generando riesgo legal para el producto o el cliente.

Seguridad y superficie de ataque : Uso de IA en pipelines de desarrollo (copiloto, generación de scripts) puede introducir dependencias no auditadas o exponer datos vía prompts.

Desplazamiento de responsabilidad : Riesgo de atribuir a «la IA» errores que en realidad son responsabilidad de quien revisó y aprobó el entregable.

Transparencia con el cliente : Clientes de un ERP como ARTIKO360 pueden no saber que ciertos módulos o soporte usan IA; ocultarlo erosiona la confianza.

Dependencia excesiva : Uso de IA sin desarrollar o mantener el criterio técnico propio del equipo, debilitando la capacidad de auditar o mantener el sistema a largo plazo.

Impacto laboral : Automatización de tareas que afecta roles del equipo debe manejarse con criterios claros y comunicación honesta, no como sustitución silenciosa.

6. Criterios para decidir el nivel de detalle en la divulgación

Divulgo con mayor detalle cuando se cumple una o más de estas condiciones:

– El resultado afecta decisiones legales, financieras o de salud de una persona.

– El destinatario es un cliente que paga específicamente por trabajo humano/experto.

– Existe obligación regulatoria o contractual de declarar el uso de IA.

– El contenido podría, sin divulgación, hacer creer que una persona certificada revisó algo que en realidad no revisó a fondo.

– El nivel de confianza en la salida de la IA es bajo o no ha sido completamente verificado.

– El destinatario específicamente pregunta o tiene derecho a saber (por política interna o normativa).

Divulgo con menor detalle (una mención general basta) cuando:

– El uso de IA es una herramienta de productividad estándar ya conocida y aceptada en el contexto (por ejemplo, autocompletado de código en el equipo).

– El contenido es de bajo riesgo y de uso interno informal.

– La revisión humana fue exhaustiva y el resultado final es responsabilidad plena mía, sin distinguibilidad práctica de un trabajo no asistido.

En caso de duda entre divulgar poco o mucho, opto por divulgar más: el costo de la sobre-transparencia es menor que el costo de perder la confianza de un cliente o colega.

7.Plantillas de atribución y transparencia

Plantilla corta (para pie de documento):

Este [documento/código/análisis] fue elaborado con asistencia de IA ([nombre del modelo]) y revisado por [tu nombre] el [fecha].

Plantilla para entregables a clientes:

Nota de transparencia: partes de este entregable [ej. borrador de documentación, generación de casos de prueba] se produjeron con asistencia de [herramienta de IA]. Todo el contenido fue revisado, validado y aprobado por [tu nombre/equipo] antes de la entrega, conforme a nuestro proceso de control de calidad.

Plantilla para commits de código:

Generado con asistencia de IA (herramienta: X, modelo: Y).
Revisado y probado por: [nombre].

[tipo]: descripción del cambio

Plantilla para contenido de marca/comunicación:

Este contenido fue creado con apoyo de herramientas de IA como parte de nuestro proceso creativo y editado por nuestro equipo.

8. Divulgación del uso de IA según el contexto

Contexto	Nivel de divulgación
Comunicación interna informal (chat de equipo, borradores)	No requiere divulgación explícita, pero el contenido debe estar revisado por mí.
Documentos internos formales (informes, actas, propuestas)	Nota breve indicando qué partes fueron asistidas por IA y qué revisión humana recibieron.
Entregables a clientes (código, documentación, reportes)	Divulgación explícita en el documento o en la comunicación de entrega, especialmente si el cliente pagó por trabajo «hecho a mano».
Contenido creativo o de marca (publicaciones, textos de marketing)	Declarar el uso de IA cuando la política de la plataforma o del cliente lo exija, o cuando el contenido pueda confundirse con una voz humana específica.
Decisiones con impacto en personas (evaluaciones, selección, disciplina)	Divulgación obligatoria y detallada: qué hizo la IA, qué decidió el humano y por qué.
Uso personal (aprendizaje, borradores propios, tareas privadas)	No requiere divulgación a terceros.