El error táctico sería tratar el aplazamiento como una excusa para no hacer nada. Los elementos que exige el reglamento no son burocracia: son las mismas prácticas que hacen que un sistema de IA se pueda operar con seguridad. Quien las implanta por obligación descubre que las necesitaba igualmente.

Inventario de sistemas de IA. Qué modelos y herramientas se usan, en qué proceso, con qué datos, quién es el responsable de negocio y en qué categoría de riesgo cae cada uno.

Clasificación de riesgo por caso de uso, no por herramienta. El mismo modelo puede ser bajo riesgo resumiendo actas y alto riesgo cribando currículums. La clasificación se hace sobre el uso.

Trazabilidad de decisiones. Registro de qué entró, qué salió, qué versión del modelo intervino y qué persona validó. Cuando un sistema ejecuta acciones y no solo sugiere, el registro de auditoría deja de ser buena práctica y pasa a ser el único mecanismo de defensa disponible.

Supervisión humana definida. No «hay una persona revisando», sino: qué decisiones requieren validación, con qué criterio, en qué plazo y qué ocurre si esa persona no está disponible.

Transparencia hacia el usuario. Si alguien está hablando con un sistema, debe saberlo. Si un contenido se generó artificialmente, debe estar marcado.

Documentación técnica y de datos. De dónde vienen los datos de entrenamiento o de contexto, qué limitaciones conocidas tiene el sistema y qué evaluaciones se han hecho.

Para estructurar todo esto no hace falta inventar un marco propio. El AI Risk Management Framework del NIST ofrece el modelo operativo de gestión de riesgo, con un perfil específico para IA generativa que identifica doce categorías de riesgo. La norma ISO/IEC 42001:2023 aporta lo que el NIST no da: un sistema de gestión certificable, que es lo que un cliente corporativo o un auditor va a pedirte que enseñes.