Sello AI+
El Sello AI+ nace como una iniciativa conjunta entre Doctrina Qualitas y la Asociación Española para la Difusión de la IA (AEDIA), con la finalidad de establecer un estándar de referencia dentro del ecosistema de la inteligencia artificial. Su propósito central es impulsar la excelencia, la responsabilidad y la calidad en la aplicación de herramientas de IA en todo tipo de organizaciones, desde pequeñas y medianas empresas hasta grandes corporaciones.
Este distintivo no se limita únicamente a valorar la capacidad técnica de los modelos o sistemas de IA, sino que amplía su alcance hacia dimensiones éticas, de transparencia, cumplimiento normativo, seguridad, sostenibilidad y responsabilidad social. En un escenario donde la inteligencia artificial se consolida como un pilar de competitividad e innovación, la adopción adecuada de estas tecnologías requiere de directrices claras y de un compromiso firme con valores que aseguren un impacto positivo en la sociedad.
En este marco, el Sello AI+ actúa tanto como una herramienta de certificación como un estímulo. Por un lado, permite a las organizaciones detectar áreas de mejora y avanzar hacia prácticas más sólidas y maduras en la gestión del ciclo de vida de sus soluciones de IA. Por otro, ofrece a clientes, usuarios y demás grupos de interés la garantía de que los proyectos avalados con este sello han sido sometidos a una evaluación exhaustiva basada en criterios transparentes y objetivos.
La puesta en marcha de este distintivo responde a la necesidad de contar con un marco estandarizado que premie la excelencia y facilite su reconocimiento. Más allá de impulsar un uso estratégico y ético de la IA, contribuye a fortalecer la confianza social y a promover el crecimiento sostenible del sector. De este modo, el Sello AI+ se convierte en un referente claro y reconocible que favorece la consolidación de un ecosistema de inteligencia artificial más seguro, responsable, eficiente y respetuoso con las personas y el entorno.
Sistema de auditoría
Parámetros concretos:
- Ratio de proyectos en producción vs. pilotos: (Proyectos en producción / Total de proyectos IA).
- Antigüedad promedio de los modelos en producción: Tiempo (meses o años) que lleva cada modelo operativo.
- Frecuencia de actualizaciones de modelos: Número de actualizaciones o retrainings por año.
2. Integración en procesos críticos
Parámetros concretos:
- Porcentaje de procesos clave respaldados por IA: (Procesos críticos con IA / Total de procesos críticos) * 100.
- Volumen de operaciones soportadas por IA: Porcentaje de decisiones automatizadas vs. decisiones humanas en procesos core.
- Impacto en SLAs internos: Cambios en el cumplimiento de acuerdos de nivel de servicio tras la implementación de IA.
3. Estandarización y normalización de uso
Parámetros concretos:
- Existencia de guías o estándares internos: Número de documentos normalizados (guías de desarrollo, mejores prácticas, convenciones).
- Adopción de frameworks y librerías comunes: Porcentaje de proyectos que utilizan el mismo stack tecnológico aprobado.
- Uso de repositorios centralizados: Número o porcentaje de proyectos IA con código y modelos versionados en un repositorio estándar.
1. Calidad de datos
Parámetros concretos:
- Porcentaje de datos limpios vs. datos brutos: (Datos validados / Datos totales) * 100.
- Frecuencia de actualización y validación de datasets: Número de revisiones de calidad de datos por mes.
- Tasa de error en el etiquetado: Porcentaje de etiquetas incorrectas detectadas en muestras aleatorias.
2. Métricas de rendimiento del modelo
Parámetros concretos:
- Métricas específicas del modelo: Por ejemplo, F1-score > 0.8, AUC > 0.9.
- Estabilidad en el tiempo: Variación porcentual de la métrica clave en diferentes períodos (mes a mes, trimestre a trimestre).
- Métricas de error: RMSE, MAE según aplique, y su reducción tras cada iteración de mejora.
3. Robustez y resiliencia
Parámetros concretos:
- Tiempo medio de recuperación (MTTR) ante fallos: Horas o minutos necesarios para restaurar el servicio tras una caída.
- Porcentaje de cobertura de test unitarios y de integración: (Test implementados / Test planeados) * 100.
- Eficacia de fallback: Tasa de éxito de mecanismos alternativos (ej. reglas estáticas) cuando el modelo falla.
4. Ciclo DevOps/MLOps
Parámetros concretos:
- Tiempo medio de despliegue (MTTD): Horas o días desde que un modelo está listo hasta que se pone en producción.
- Frecuencia de deployments automatizados: Número de despliegues mensuales sin intervención manual.
- Cobertura de monitorización: Porcentaje de métricas clave (rendimiento, latencia, utilización de recursos) monitorizadas en tiempo real.
Parámetros concretos:
- Número de certificaciones relevantes: (ej. ISO 27001, ISO 27701, GDPR compliance).
- Frecuencia de auditorías legales y de privacidad: Auditorías anuales, semestrales o trimestrales.
- Porcentaje de incidentes de privacidad reportados vs. resueltos: (Incidentes resueltos / Incidentes detectados) * 100.
2. Políticas internas de gobernanza IA
Parámetros concretos:
- Existencia de un comité de ética de IA: Sí/No, frecuencia de reuniones (ej. bimensual).
- Porcentaje de empleados formados en políticas de IA: (Empleados capacitados / Total empleados clave) * 100.
- Número de directivas escritas y actualizadas anualmente: Documentos formales vigentes y versiones controladas.
3. Gestión del ciclo de vida de modelos
Parámetros concretos:
- Uso de repositorios de modelos con versionado: Sí/No. Número de modelos con versionado adecuado.
- Frecuencia de reevaluación de modelos en producción: Veces por año en que se re-evalúan métricas.
- Porcentaje de modelos con documentación completa (inputs, outputs, supuestos): (Modelos documentados / Total modelos) * 100.
4. Transparencia y trazabilidad
Parámetros concretos:
- Capacidad de lineage: ¿Se puede trazar el origen de cada dato y cada predicción? Sí/No.
- Herramientas de interpretabilidad en uso: Número de herramientas XAI integradas.
- Tiempo requerido para generar un reporte de interpretabilidad: Horas o días.
Parámetros concretos:
- Métricas de equidad: Diferencia en precisión entre grupos protegidos y no protegidos < X%.
- Número de revisiones de sesgo al año: Cantidad de auditorías de fairness realizadas.
- Aplicación de técnicas de mitigación: Porcentaje de modelos que aplican correcciones o reponderaciones.
2. Ética y principios rectores (FATE)
Parámetros concretos:
- Existencia de un marco ético interno escrito: Sí/No.
- Formación del personal: Número de sesiones anuales, porcentaje del personal capacitado.
- Cumplimiento de principios FATE: Métricas cualitativas evaluadas por un comité interno o externo.
3. Seguridad de la información
Parámetros concretos:
- Cifrado en tránsito y en reposo: Sí/No, porcentaje de datos cifrados.
- Frecuencia de pentesting y auditorías de seguridad: X auditorías por año.
- Índice de incidentes de seguridad IA por año: Número de incidentes / año y tiempo de resolución.
4. Explicabilidad y comprensibilidad
Parámetros concretos:
- Herramientas XAI disponibles: SHAP, LIME, etc. Contar cuántas y con qué frecuencia se usan.
- Tiempo de respuesta para explicar una predicción: Horas/días requeridos para proporcionar una explicación entendible.
- Satisfacción del cliente con las explicaciones: Medido a través de encuestas (ej. escala 1-5).
Parámetros concretos:
- Ahorro en tiempo de procesamiento: (Antes IA vs. Después IA) en %.
- Ahorro en costes operativos: Porcentaje de reducción de costes medido trimestral o anualmente.
- Mejora en la productividad: KPI internos, por ejemplo, número de casos gestionados por hora.
2. Crecimiento y diversificación de productos/servicios
Parámetros concretos:
- Nuevos productos basados en IA lanzados por año: Número total.
- Aumento de ingresos atribuidos a IA: Porcentaje del total de ingresos proveniente de productos IA.
- Participación de mercado: Comparación antes/después de la implementación de soluciones IA.
3. Sostenibilidad ambiental
Parámetros concretos:
- Consumo energético por entrenamiento de modelo: kWh por entrenamiento.
- Huella de carbono estimada: Cálculo en CO2e por entrenamiento o por predicción.
- Uso de hardware eficiente o energías renovables: Porcentaje de modelos que usan entornos sostenibles.
4. Aceptación e Impacto Social
Parámetros concretos:
- Índice de satisfacción del cliente (NPS, CSAT): Antes y después de IA.
- Percepción pública (encuestas, estudios de mercado): Valoración en escala (ej. 1-10) sobre confianza en la IA de la empresa.
- Cumplimiento de estándares sociales y comunitarios: Certificaciones o reconocimientos públicos.
1. Selección y evaluación de herramientas de IA:
Identificación y análisis de las herramientas más adecuadas según las necesidades y objetivos del proyecto.
2. Versionado y actualización:
Gestión eficiente de las versiones y actualizaciones de las herramientas de IA para garantizar su rendimiento y compatibilidad.
3. Formación continua:
Desarrollo de competencias y actualización constante en el uso de herramientas de IA para maximizar su potencial.
4. Documentación y soporte interno:
Creación y mantenimiento de documentación clara y accesible, así como establecimiento de mecanismos de soporte interno para el uso óptimo de las herramientas de IA.
Instituciones que avalan el Sello AI+
ACHIADS
AEDIA
Doctrina Qualitas
Círculo de Universidades Hispanoamericanas UAIII
Contacta con nosotros, estamos encantados de atenderte
Tanto si representas una institución educativa o empresa, como si eres un profesional independiente, puedes contactar a través de nuestro formulario, solicitando información sobre cualquiera de nuestros tres sellos de calidad.
