Saltar al contenido

Plantilla de ficha de conjunto de datos (Reglamento de IA art. 10)

Plantilla4 de noviembre de 2026· 8 min de lectura

Plantilla de ficha de datos para el art. 10 del Reglamento de IA: procedencia, representatividad, examen de sesgos 10(2)(f), categorías especiales (art. 4a).

Una ficha de un conjunto de datos es la práctica; el artículo 10 del Reglamento de IA, Reglamento (UE) 2024/1689, es el deber que documenta. La «ficha para conjuntos de datos» es una convención del aprendizaje automático —un registro estándar de de dónde vino un conjunto de datos, cómo se recogió, qué contiene y en qué se queda corto—. El Reglamento nunca usa la expresión, pero exige casi exactamente esa información para los sistemas de alto riesgo: el artículo 10 fija los criterios de gobernanza de datos, y el anexo IV exige que la documentación técnica describa los datos usados y cómo se obtuvieron, seleccionaron y etiquetaron. Una ficha es cómo un proveedor convierte «usamos buenos datos» en algo que un auditor puede comprobar. Es un documento del proveedor —el artículo 10 recae en quien desarrolla el sistema de alto riesgo—.

Un conjunto de datos sin ficha es una caja negra. Cuando un regulador, un responsable del despliegue o tu propio ingeniero futuro pregunta «¿son representativos estos datos y cómo lo sabes?», la ficha es la respuesta —o su ausencia es el hallazgo—.


Qué exige el artículo 10 de tus datos

El artículo 10 exige que los conjuntos de datos de entrenamiento, validación y prueba de los sistemas de alto riesgo se sometan a prácticas adecuadas de gobernanza y gestión de datos. Entre ellas:

  • Procedencia y recogida — las opciones de diseño, el origen de los datos y el proceso de recogida; para los datos personales, la finalidad original de la recogida.
  • Preparación — operaciones de anotación, etiquetado, depuración, actualización, enriquecimiento y agregación.
  • Representatividad (artículo 10, apartado 3) — los conjuntos de datos deben ser pertinentes, suficientemente representativos y, en la medida de lo posible, libres de errores y completos en vista de la finalidad prevista; y tener en cuenta las características del entorno geográfico, contextual, comportamental o funcional en el que se usará el sistema.
  • Examen de sesgos (artículo 10, apartado 2, letra f)) — examen en vista de posibles sesgos que probablemente afecten a la salud y la seguridad, repercutan negativamente en los derechos fundamentales o conduzcan a una discriminación prohibida por el Derecho de la Unión.
  • Mitigación de sesgos (artículo 10, apartado 2, letra g)) — medidas adecuadas para detectar, prevenir y mitigar los sesgos identificados.

La ficha está estructurada para producir una respuesta escrita para cada uno de estos puntos.


La autorización de datos de categoría especial (artículo 4a)

No puedes examinar un conjunto de datos en busca de, pongamos, sesgo por origen étnico sin tratar datos sobre el origen étnico —lo que choca con la restricción del artículo 9 del RGPD sobre los datos de categoría especial—. El Reglamento de IA lo resuelve de forma estrecha. Desde el 27 de julio de 2026, el Ómnibus Digital (Reglamento (UE) 2026/1744) suprimió el antiguo artículo 10, apartado 5, y trasladó esta autorización al nuevo artículo 4a, que permite a los proveedores tratar datos personales de categoría especial excepcionalmente, en la medida en que sea estrictamente necesario, para detectar y corregir sesgos en los sistemas de alto riesgo —y, según su apartado 2, la extiende a los proveedores y responsables del despliegue de otros sistemas y modelos de IA y a los responsables del despliegue de sistemas de alto riesgo—, pero solo con salvaguardias acumulativas: el sesgo no debe poder detectarse tratando otros datos (incluidos sintéticos o anonimizados); la reutilización está limitada técnicamente; se aplican medidas de seguridad y de protección de la privacidad de última generación; el acceso está estrictamente controlado y documentado; y los datos no se transmiten a terceros y se suprimen una vez corregido el sesgo o vencido el plazo de conservación—. El artículo 4a no crea ninguna obligación de detectar sesgos; solo ofrece la base para hacerlo. La ficha registra el porqué (ninguna vía menos intrusiva funcionó), las salvaguardias y la supresión —de modo que el uso sea defendible, no dado por supuesto—.


Procedencia, representatividad, lagunas — la sección honesta

La parte más útil de una ficha es la que admite lo que falta. Un proveedor que escribe «plenamente representativo» sin análisis no ha documentado nada; un proveedor que escribe «infrarrepresenta a los solicitantes mayores de 60 años y los códigos postales rurales; mitigado con recogida dirigida; laguna residual anotada» ha producido exactamente la prueba que pide el artículo 10, apartado 3.

Sección de la fichaVínculo art. 10 / anexo IVLa pregunta honesta a responder
ProcedenciaOrigen de los datos, proceso de recogida¿De dónde vino cada registro, y es lícita la fuente?
RepresentatividadArtículo 10, apartado 3¿De qué población —y dónde se queda corto el conjunto—?
Lagunas y erroresArtículo 10, apartado 3¿Qué falta, está mal etiquetado o desactualizado, y qué hiciste?
Examen de sesgosArtículo 10, apartado 2, letra f)¿Qué grupos, qué métrica, qué disparidad?
Uso de categoría especialArtículo 4a¿Era estrictamente necesario, y se aplicaron las salvaguardias?
EtiquetadoAnexo IV (preparación)¿Quién lo etiquetó, con qué esquema, con qué control de calidad?

La plantilla — campos que captar

1. Identificación del conjunto de datos — nombre, versión, el sistema y la finalidad prevista que alimenta; si es de entrenamiento, validación o prueba; la categoría del anexo III.

2. Procedencia y recogida — fuentes, método y fechas de recogida, base jurídica para cualquier dato personal, condiciones de los datos de terceros.

3. Composición — tamaño, características, clases, periodo temporal, idiomas/geografías cubiertos.

4. Representatividad (artículo 10, apartado 3) — la población objetivo; análisis de representatividad; infrarrepresentación conocida y su efecto.

5. Lagunas, errores e integridad — datos que faltan, calidad de las etiquetas, tasa de error, desactualización; subsanación.

6. Examen de sesgos (artículo 10, apartado 2, letra f)) y mitigación (10(2)(g)) — atributos protegidos examinados; métricas y disparidades; medidas aplicadas; disparidad residual. Remite a tu registro de evaluación de sesgos.

7. Datos de categoría especial (artículo 4a) — qué se trató, la justificación de estricta necesidad, las salvaguardias y el registro de supresión; el vínculo con el artículo 9 / artículo 35 del RGPD.

8. Etiquetado y preparación — esquema de anotación, etiquetadores, control de calidad, pasos de preprocesamiento.

9. Mantenimiento — cadencia de actualización, versionado y el desencadenante para reexaminar (nuevos datos, deriva, reentrenamiento). La ficha completa alimenta la documentación del artículo 11 / anexo IV.


Ejemplo resuelto: un proveedor de un modelo de puntuación de arrendamientos

Wohnscore GmbH, un proveedor con unos 45 empleados y unos 8 millones de euros de facturación, desarrolla un sistema de alto riesgo que puntúa solicitudes de alquiler (anexo III, acceso a servicios esenciales). Su ficha registra la procedencia —tres años de registros de arrendamiento anonimizados de agencias inmobiliarias asociadas, con la base jurídica indicada—. La sección de representatividad, conforme al artículo 10, apartado 3, admite que el conjunto sobrerrepresenta una región metropolitana e infrarrepresenta a los solicitantes rurales, y documenta una recogida dirigida para cerrar la laguna. Para ejecutar el examen de sesgos del artículo 10, apartado 2, letra f) por origen nacional, Wohnscore se apoya en el artículo 4a para tratar el atributo protegido estrictamente para la corrección de sesgos, restringe el acceso a dos analistas, registra que los datos sintéticos no pudieron sacar a la luz la disparidad, y suprime el atributo una vez verificada la corrección. La sección de etiquetado nombra el esquema de anotación y su control de calidad. La ficha entera encaja en la documentación técnica del anexo IV, con una EIPD del artículo 35 del RGPD que cubre el lado de los datos personales. El conjunto de datos ya no es una caja negra —es una entrada documentada y defendible—.


Cómo ayuda Confir

La evaluación de datos y solidez técnica de Confir recorre un conjunto de datos del artículo 10 mediante preguntas en lenguaje sencillo —procedencia, el análisis de representatividad del artículo 10, apartado 3, lagunas y errores, el examen de sesgos del artículo 10, apartado 2, letra f), y las condiciones de datos de categoría especial del artículo 4a— y registra las respuestas como pruebas estructuradas que se ensamblan en el paquete del artículo 11 / anexo IV. Mapea de forma cruzada los controles de gobernanza de datos al RGPD para que los registros del Reglamento de IA y de protección de datos se remitan entre sí. El motor es determinista y basado en reglas: los mismos hechos del conjunto de datos producen el mismo resultado cada vez.


Guías relacionadas

Gestiona el cumplimiento de la Ley de IA en un solo lugar

Confir automatiza la clasificación de riesgos, la documentación técnica y los registros de auditoría para tu empresa. Sin consultores. Sin proyectos de seis meses. Prueba gratuita de 14 días.

Prueba gratis 14 días →