EL MARCO
El ERM tradicional se construyó para riesgos que se comportan de manera determinista, con fallos que dejan una cadena causal rastreable. La IA rompe ambas suposiciones. EW-AiRM™ es la capa que cierra la brecha, construida para aumentar lo que ya ejecuta, no para reemplazarlo.
ARQUITECTURA
La mayoría de los marcos de riesgo de IA eligen un nivel y se quedan ahí: EW-AiRM™ abarca deliberadamente tres capas, porque las preguntas estratégicas no pueden responderse solo con herramientas operativas, y la capa operativa no puede anticipar Cisnes Negros. Y la HAiPECRTM filtro ético que se ejecutan en todos ellos. Con un Biblioteca de controles de IA extraída de más de 800 mitigaciones basadas en evidencia, no solo afirmado desde principios básicos.
CAPA 1
Seis pilares. Necesidad, preparación, madurez, tolerancia, gobernanza y rendición de cuentas, a través de-el-monitoreo del ciclo de vida. Establece las condiciones que debe cumplir cualquier implementación de IA antes de que entre en funcionamiento.
Puede también se puede aplicar de forma retrospectiva, como parte de la evaluación de la madurez de IA de una empresa.
Complementado por HAiPECRTM, el filtro ético: las mismas siete preguntas hechas en cada decisión significativa de IA, a través de las tres capas, alineado con la Recomendación de la UNESCO de 2021.
CAPA 2
MIT AI Risk Repository (CC BY 4.0): más de 1.000 riesgos en 7 dominios y 24 subdominios.
Mapeado a 831 controles en 4 cuadrantes (Gobernanza y Supervisión, Técnico y Seguridad, Proceso Operativo, Transparencia y Rendición de Cuentas).
Para asignaciones de controles en los niveles Primario, Secundario y Terciario.
Este capa no pide a las organizaciones que creen una taxonomía de riesgos de IA desde cero; proporciona a los profesionales la base de evidencia y las herramientas para aplicarla.
CAPA 3
Ocho Categorías de Cisne Negro de IA -gobernado, gobernado a través de Fundamentos Robustos, Detección Continua, Respuesta Adaptativa.
Incluye la emergencia multiagente y la transición criptográfica cuántica (NIST FIPS 203/204/205).
Para riesgos que no encajan en la taxonomía operativa.
El la respuesta a lo desconocido desconocido es la resiliencia, no la predicción.
CONDICIONES DEL SUELO: Los 5 "No Negociables"
1
Responsabilidad asignada para cada sistema de IA desplegado
2
HAIPECR ejecutado como filtro de pre-despliegue, documentado
3
Capacidad de anulación humana probada con un SLA de 4 horas
4
Aceptación de riesgos documentada por la junta o la dirección ejecutiva
5
Canal de notificación de incidentes, con destinatario designado
CAPA ESTRATÉGICA
Cada pilar es una pregunta que la organización debe responder por escrito antes de que un sistema pueda ser implementado, y una verificación que debe mantenerse durante todo el ciclo de vida de la implementación.
P-I
Alineación Estratégica
+ Evaluación de Necesidad
¿Es la IA la herramienta adecuada para este problema? Si un sistema determinista funcionaría, la IA es la respuesta incorrecta.
P-II
P-III
Madurez Tecnológica
¿Está el modelo subyacente, el proveedor y el patrón de integración listos para este caso de uso en este nivel de riesgo?
P-IV
Tolerancia al Riesgo
¿Ha aprobado el consejo de administración el riesgo residual y está la tolerancia documentada en el nivel de granularidad adecuado?
P-V
Gobernanza y Responsabilidad
¿Quién es el responsable de la decisión y quién es el responsable del incidente? Nombrado, no implícito.
P-VI
Monitoreo durante todo el ciclo de vida
+ Adaptabilidad
¿Qué cambios activan una revisión? ¿Quién realiza la revisión? ¿Cuál es el SLA del interruptor de apagado?
CAPA ÉTICA
HAIPECR es el filtro ético que se aplica en las tres capas. Mapeado a la Recomendación sobre la Ética de la IA de la UNESCO de 2021 (10 principios básicos, no 9). Listado en el Observatorio de Políticas de IA de la OCDE desde abril de 2023.
Supervisión humana - Responsabilidad designada, anulación probada.
Responsabilidad - mapeado a UNESCO P5.
Inclusividad - un requisito previo integrado,
no es un pilar. (De ahí, la "i" minúscula).
Privacidad - Protección de datos, seguridad, protección.
Ética - Explicabilidad, Transparencia, equidad, no discriminación.
Conducta - basada en el Paradigma Universal de Riesgo de Conducta (UCRP).
Resiliencia - Sostenibilidad, derechos intergeneracionales.
MAPA DE LA UNESCO:
H → P7 Supervisión Humana
A → P5 Rendición de Cuentas
i → Gobernanza Multiestakeholder P4 + Conciencia y Alfabetización P9
P → P3 Privacidad + P2 Seguridad y Protección (+ 2024 UNESCO Neurotech)
E → P6 Transparencia y Explicabilidad + P10 Equidad
C → P1 Proporcionalidad / No hacer daño
R → P8 Sostenibilidad
UNESCO MAPPING: H → P7 Human Oversight A → P5 Accountability i → P4 Multi-stakeholder Governance + P9 Awareness & Literacy P → P3 Privacy + P2 Safety & Security (+ 2024 UNESCO Neurotech) E → P6 Transparency & Explainability + P10 Fairness C → P1 Proportionality / Do No Harm R → P8 Sustainability
CAPA DE RESILIENCIA
EW-AiRM identifica ocho categorías distintas de cisne negro de IA.
Cada uno tiene características discretas, una razón distinta para la imprevisibilidad y una respuesta de gobernanza separada.
Las categorías no son mutuamente excluyentes: múltiples categorías pueden interactuar, amplificando los efectos de cada una de maneras que hacen que el evento combinado sea más severo que cualquier categoría por sí sola:
Característica:
Los modelos fundacionales exhiben capacidades inesperadas que no fueron entrenadas ni diseñadas explícitamente en el sistema. Estas capacidades emergen de las complejas interacciones de miles de millones de parámetros de maneras que no son predecibles a partir de la especificación del modelo.
Por qué es impredecible:
Los modelos tienen miles de millones de parámetros; el comportamiento emerge de interacciones complejas de parámetros que no pueden ser completamente predichas ni siquiera por los ingenieros que construyeron el sistema. La capacidad emerge en umbrales de escala que son en sí mismos impredecibles.
Respuesta de gobernanza:
Póngase en contacto con nosotros para identificar estrategias de respuesta adecuadas o consulte el Capítulo 14 del EW-AiRMTM Libro.
Característica:
Fallo de un elemento central de la infraestructura de IA (principalmente un importante proveedor de modelos fundacionales, pero también proveedores de GPU en la nube, proveedores de aceleradores de IA y proveedores de bases de datos vectoriales a medida que la pila de IA madura) se propaga por miles de aplicaciones dependientes simultáneamente, creando una disrupción en toda la economía en lugar de fallos organizacionales aislados.
Por qué es impredecible:
La escala de dependencia en todo el ecosistema se desconoce hasta que ocurre una falla. Las organizaciones individuales evalúan su propia dependencia, pero ningún actor de gobernanza único tiene visibilidad de la dependencia agregada en todo el sistema financiero, el sistema de salud u otro sector crítico.
Respuesta de gobernanza:
Póngase en contacto con nosotros para identificar estrategias de respuesta adecuadas o consulte el Capítulo 14 del EW-AiRMTM Libro.
Característica:
Un modelo persigue sus objetivos especificados de maneras que son perjudiciales porque el proceso de optimización ha encontrado un camino hacia el objetivo que no fue anticipado por los diseñadores del sistema. El modelo hace exactamente para lo que fue optimizado. Pero la optimización produjo consecuencias no deseadas.
Por qué es impredecible:
Es difícil anticipar todas las formas en que un proceso de optimización podría encontrar un camino hacia un objetivo que cause daño. La optimización es matemáticamente correcta; el problema es la brecha entre el objetivo especificado y el deseado. La investigación de vanguardia en seguridad de la IA de Anthropic, OpenAI, Google DeepMind y los Institutos de Seguridad de la IA del Reino Unido y EE. UU. ha documentado que esta brecha se amplía en lugar de reducirse a medida que aumenta la capacidad del modelo, lo que hace que el fallo de alineación sea un riesgo estructuralmente creciente en lugar de un problema que mejora con la madurez técnica.
Respuesta de gobernanza:
Póngase en contacto con nosotros para identificar estrategias de respuesta adecuadas o consulte el Capítulo 14 del EW-AiRMTM Libro.
Característica:
Comportamientos inesperados y perjudiciales surgen de la combinación de texto, imagen, audio y otras modalidades de IA en un sistema, donde las modalidades individuales han sido evaluadas individualmente como aceptables, pero su combinación crea efectos compuestos que no estaban presentes en ninguna de ellas por sí solas.
Por qué es impredecible:
Las interacciones entre modalidades son difíciles de predecir a partir del análisis de modalidades individuales. Los sesgos que son manejables individualmente pueden acumularse de maneras que producen un daño cualitativamente más severo cuando las modalidades interactúan.
Respuesta de gobernanza:
Póngase en contacto con nosotros para identificar estrategias de respuesta adecuadas o consulte el Capítulo 14 del EW-AiRMTM Libro.
Característica:
Se descubre una técnica de ataque novedosa que derrota las defensas de IA existentes en toda la industria: no solo las defensas de una organización, sino los enfoques fundamentales que todos los sistemas importantes han implementado.
Por qué es impredecible:
La superficie de ataque de los modelos de IA es enorme y siempre son posibles nuevos ángulos de ataque. Cuando se descubre una nueva técnica de ataque que explota una propiedad fundamental de la arquitectura del modelo (por ejemplo, el objetivo de predicción del siguiente token que comparten todos los modelos de lenguaje, o la optimización basada en gradientes que utilizan todas las redes neuronales), puede funcionar contra todos los modelos con esa arquitectura independientemente de las medidas defensivas individuales.
Respuesta de gobernanza:
Póngase en contacto con nosotros para identificar estrategias de respuesta adecuadas o consulte el Capítulo 14 del EW-AiRMTM Libro.
Característica:
El fallo o ataque en la cadena de suministro de IA (datos de entrenamiento, bibliotecas de modelos, infraestructura de cómputo o servicios de anotación de datos) se propaga aguas abajo y compromete todos los sistemas construidos sobre ese componente de la cadena de suministro.
El riesgo de los proveedores de modelos fundacionales se trata por separado como la Categoría 2 (Concentración Sistémica); la Categoría 6 cubre las capas ascendentes y de infraestructura de la cadena de suministro de IA.
Por qué es impredecible:
Las cadenas de suministro son complejas y sus vulnerabilidades están ocultas hasta que son explotadas. Los actores maliciosos que entienden la cadena de suministro pueden introducir vulnerabilidades en puntos que afectan simultáneamente a cientos de sistemas posteriores.
Respuesta de gobernanza:
Póngase en contacto con nosotros para identificar estrategias de respuesta adecuadas o consulte el Capítulo 14 del EW-AiRMTM Libro.
Característica:
El comportamiento de fallo o perjudicial surge de la interacción entre dos o más sistemas de IA que actúan sobre las salidas de los demás, donde cada sistema fue evaluado individualmente como aceptable, pero la interacción produce efectos compuestos, transferencia de autoridad en cascada o comportamiento coordinado que ningún sistema individual fue diseñado para producir. El fallo es una propiedad de la interacción, no de ningún agente individual.
Por qué es impredecible:
Las interacciones multiagente crean un espacio combinatorio que no puede ser preevaluado exhaustivamente. El comportamiento de cada agente es limitado; la interacción de cada agente con otro agente es limitada; la combinación de N agentes que interactúan a través de M herramientas y K puntos de decisión produce un espacio de comportamiento que excede la capacidad de evaluación práctica. Comportamientos emergentes, incluida la coordinación, el engaño y la deriva de objetivos, se han documentado en entornos de investigación y se observan cada vez más en implementaciones agenticas de producción. La evaluación de seguridad tradicional evalúa un agente a la vez; el fallo emergente multiagente es invisible para esa metodología de evaluación por construcción.
Respuesta de gobernanza:
Póngase en contacto con nosotros para identificar estrategias de respuesta adecuadas o consulte el Capítulo 14 del EW-AiRMTM Libro.
Característica:
Se dispone de un ordenador cuántico criptográficamente relevante (ya sea
a través del desarrollo gradual de capacidades o de un avance discontinuo), y los cimientos criptográficos de la infraestructura de IA se vuelven simultáneamente vulnerables: superficies criptográficas estándar (TLS, autenticación de API) y dependencias criptográficas específicas de la IA (verificación de integridad de pesos de modelos, firma de pistas de auditoría, atestación de la cadena de suministro a través de la firma de modelos) en todo el patrimonio de IA desplegado.
Por separado, los datos cifrados previamente exfiltrados (adquiridos a través del ataque HNDL) se vuelven descifrables retroactivamente.
Por qué es impredecible:
El cronograma del Día Q es limitado pero incierto. Las estimaciones de expertos del Informe sobre el cronograma de la amenaza cuántica del Instituto de Riesgos Globales (Mosca y Piani 2024) y fuentes equivalentes se agrupan alrededor de 2034-2036 con un riesgo de cola considerable que se extiende desde finales de la década de 2020 hasta la de 2040. Un avance en la corrección de errores cuánticos, una nueva modalidad de qubit que alcance escala o un ataque algorítmico clásico a esquemas poscuánticos podrían cambiar el cronograma de forma discontinua.
Respuesta de gobernanza:
Póngase en contacto con nosotros para identificar estrategias de respuesta adecuadas o consulte el Capítulo 14 del EW-AiRMTM Libro.
DE DÓNDE VIENE ESTO
EW-AiRM™ se basa en estándares con licencia pública: el Repositorio de Riesgos de IA de MIT (CC BY 4.0), la Recomendación de la UNESCO 2021 sobre la Ética de la IA, NIST AI RMF, ISO 31000 (riesgo general), ISO 42001 (sistemas de gestión de riesgos de IA) y la UNECE (ECE/TRADE/486, 2024). HAIPECR fue originado por el Prof. Markus Krebsz y ha estado listado en el Observatorio de Políticas de IA de la OCDE desde abril de 2023.
Aquí hay una comparación de EW-AiRMTM con esos otros marcos y la Ley de IA de la UE:
| Dimensión | EW-AiRM™ | NIST AI RMF | ISO 42001 | COSO ERM | Ley de IA de la UE |
|---|---|---|---|---|---|
| Basado en la UNECE | Sí (ECE/TRADE/486) | No | No | No | No |
| Alcance principal | IA en toda la empresa Gobernanza de Riesgos marco-de-trabajo & enfoque | Riesgo de IA Gestión | IA Gestión Sistema | (Tradicional) Empresarial Riesgo Gestión | Regulación de IA |
| Público objetivo | Consejos de administración, Funciones de riesgo, CTOs, CISO, Comunidad de riesgos | Federal de EE. UU. y Empresarial | Cualquier organización | Director Financiero, Junta, Equipos de ERM | Operadores & Proveedores (UE) |
| Capas | Estratégico, Operacional, Resiliencia + HAiPECR | Gobernar, Mapa, Medir, Gestionar | Planificar, Hacer, Comprobar, Actuar | Estrategia, Rendimiento | Prohibido, Alto riesgo, GPAI |
| Certificable | No (Marco abierto) | No (Voluntario) | Sí (Auditoría ISO) | No (Orientación) | Público, en toda la UE Regulación |
| Abierto / libre | Sí (CC BY 4.0 base) | Sí | Pagado estándar | Pagado orientación | Público regulación |
| Alineado con la UNESCO | Sí (HAiPECR) | No | Parcial | No | Parcial (GPAI) |
El marco es la imagen conceptual. La comparación de tres niveles muestra cómo se ve en la implementación.
El Instituto Human-Ai es un think/do tank independiente que convoca un diálogo multilateral y de múltiples partes interesadas sobre la gobernanza de la IA. El Instituto colabora con la ONU, la UNESCO, la OCDE, la Comisión de la UE y gobiernos de todo el mundo.
Hogar de EW-AiRM™ — el marco abierto de tres capas para la gestión de riesgos de IA en toda la empresa, basado en estándares con licencia pública y alineado con la UNESCO, la UNECE, el NIST, la ISO y la Ley de IA de la UE.
Los servicios comerciales de consultoría, capacitación y asesoría son proporcionados por De-Risking Solutions Ltd. y RiskAi.Ai
SOLUCIONES DE IA Y TECNOLOGÍA
Las herramientas y soluciones tecnológicas de IA y agentivas son proporcionadas por Human-Ai.Solutions.
El Instituto Human-Ai
es ejecutado y mantenido por
De-Risking Solutions Ltd.
Correo electrónico:
contacto [en] human-ai.institute
Listado en el Observatorio de Políticas de IA de la OCDE · Miembro fundador de la Red de IA de la Universidad de las Naciones Unidas · Alineado con UNESCO, UNECE WP.6, NIST e ISO 42001
EW-AiRM™ y HAiPECR™ son marcas comerciales de De-Risking Solutions Ltd., registradas en Inglaterra y Gales (Número de empresa 09900565). Todos los derechos reservados.
© 2026 El Instituto Humano-IA.
