La inteligencia artificial se ha infiltrado en los flujos de trabajo del comercio exterior a una velocidad que supera con creces la capacidad de las organizaciones para controlarla. Herramientas de clasificación arancelaria, motores de screening, módulos de control de exportaciones, sistemas de análisis documental: en todos ellos opera ya alguna forma de IA, con frecuencia de manera invisible para quienes los utilizan. El problema no es la tecnología en sí, sino la brecha que se abre entre su adopción y los marcos de gobernanza necesarios para respaldar sus decisiones ante auditores y reguladores.
La IA puede detectar patrones en grandes volúmenes de operaciones, pero su output no es una respuesta clara: es un nivel de confianza. Y eso cambia radicalmente la dinámica de la rendición de cuentas. El riesgo más peligroso, no es el que se ve: es el que la IA suprime. Al reducir los falsos positivos, los sistemas de screening también pueden silenciar señales que deberían haber activado una revisión humana.
La IA puede acelerar el screening, la clasificación y el procesamiento documental, pero los reguladores juzgan las decisiones por su capacidad de ser explicadas y justificadas. Alta eficiencia con baja defendibilidad es una posición de riesgo: debilita los rastros de auditoría, difumina la accountability y expone a las organizaciones ante cualquier inspección. El objetivo es alcanzar ambas dimensiones simultáneamente, lo que requiere IA explicable, auditabilidad sólida y propiedad humana clara sobre los resultados.
En materia de clasificación arancelaria, el riesgo es sistémico. Un código del Sistema Armonizado incorrecto no afecta un solo envío: se propaga a través de productos, sistemas y operaciones. La IA puede señalar posibles inconsistencias, pero no puede resolver por sí sola la ambigüedad técnica ni la interpretación regulatoria, especialmente en bienes de doble uso y controles de exportación donde el matiz importa.
El screening enfrenta un desafío análogo. Los filtros agresivos que reducen el ruido pueden también ocultar vínculos de propiedad, relaciones con intermediarios o patrones de enrutamiento relevantes para la exposición a sanciones. Cuando se filtra demasiado, la visibilidad cae.
La documentación comercial ilustra otro vector crítico. La IA puede procesar grandes volúmenes de facturas, listas de empaque y descripciones de producto con rapidez, pero no puede corregir problemas de calidad en los datos de origen. Si esa información es inconsistente o técnicamente imprecisa, el sistema la extrae y la transmite aguas abajo.
La presión regulatoria también se está intensificando. Las propias autoridades aduaneras están incorporando IA para detectar anomalías y tendencias de valoración en patrones de envío, lo que hace que los controles internos débiles sean más fáciles de identificar a escala.
Para gestionar estos riesgos, hay cinco elementos de gobernanza de IA: claridad de roles, calidad de datos, supervisión humana, auditabilidad y ownership continuo. La IA debe apoyar decisiones, no tomarlas. Los datos deben estar curados y versionados. Las decisiones de alto riesgo requieren validación humana. Cada decisión debe ser trazable. Y la accountability no puede ser puntual: debe ser permanente.
En el plano normativo, el Acta de IA de la Unión Europea, en vigor desde 2024, está fijando un estándar global con su estructura basada en riesgo y requisitos estrictos para sistemas de alto impacto.
Las organizaciones que cometen el error más común, que es tratar la IA como una actualización tecnológica en lugar de un cambio en sus controles internos, asumiendo que las herramientas del proveedor eliminan el riesgo y priorizando la velocidad sobre la auditabilidad, quedan expuestas.
