Cliente. Una fundación que opera programas sociales y ambientales junto a comunidades indígenas en la Amazonía. Cuatro programas concurrentes, un presupuesto del orden de USD 100K, equipos de campo y estándares de rendición de cuentas de donantes internacionales.
Enfoque
Este caso vive en el cruce de dos eslabones del método: la sociología de las organizaciones y la ingeniería de datos. El dato de impacto social no es un número neutro: nace de un proceso humano —el trabajo de campo de personas en territorio— y se rinde ante otro —los donantes—, y entre los dos hay culturas, idiomas y asimetrías de poder. Modelar ese dato sin leer su trama humana es producir reportes que cumplen formato pero no dicen la verdad.
La tesis que ordena el trabajo es la calidad de datos contextual llevada al terreno más exigente: datos sensibles de comunidades, donde un control de acceso mal diseñado no es una falla técnica, es un daño a personas reales.
El problema detectado
La operación de campo se registraba a mano: planillas, papeles, memoria de las personas. Eso producía tres problemas encadenados: el esfuerzo de reporte consumía tiempo que debía ir al programa; la visibilidad de los fondos llegaba tarde, cuando ya no se podía corregir; y la información sensible circulaba sin un control claro de quién accede a qué.
El problema declarado era “necesitamos mejores reportes para los donantes”. El real era anterior: no había una capa de datos confiable y gobernada debajo de esos reportes.
Relevamiento funcional
Mapeé los cuatro programas como sistemas operativos distintos pero con una espina común: entradas (recursos, actividades de campo), salidas (indicadores de impacto) y un circuito de rendición de cuentas. El relevamiento cruzó tres tipos de indicador que casi nunca conviven en la misma cabeza —financieros, operativos y de impacto— y separó, para cada programa, qué se podía digitalizar sin romper la forma real de trabajar de los equipos.
Construcción de la solución
- Digitalización de la operación de campo. Convertí registros manuales en datasets estructurados, reduciendo el esfuerzo de reporte manual del orden de la mitad —tiempo que vuelve al programa.
- Modelos operativos y analíticos que integran indicadores financieros, operativos y de impacto en una sola lectura, no en tres reportes que no se hablan.
- Monitoreo de presupuesto y recursos con visibilidad de fondos casi en tiempo real, de modo que una desviación se vea cuando todavía se puede actuar, no en el cierre.
Capa de información y datos
La gobernanza fue el centro, no un anexo. Diseñé controles de acceso para datos sociales y ambientales sensibles de comunidades, y prácticas de gobernanza que mejoraron el cumplimiento de los estándares de los donantes y dejaron la operación en estado de audit readiness. La regla que sostuvo todo: lo que no se puede gobernar con responsabilidad, no se digitaliza —y cuando se digitaliza, se protege primero a las personas que el dato representa.
Cómo se condujo el trabajo
Coordiné equipos cross-funcionales de hasta diez personas, en un contexto de baja conectividad y alta sensibilidad cultural. El método fue de campo: instrumentos de captura adaptados a cómo trabaja realmente la gente, no a cómo lo pide un formulario; y una disciplina de trazabilidad pensada para resistir una auditoría de donante. No hubo automatización con agentes de IA —no correspondía a la época ni al contexto—; hubo diseño sociotécnico aplicado a uno de los entornos más exigentes posibles.
Qué prueba este caso
- El puente en su forma más pura: leer la trama humana de comunidades y, a la vez, modelar y gobernar el dato que las representa.
- Gobernanza de datos sensibles real: controles de acceso y audit readiness ante donantes, no una política en un PDF.
- Impacto medible: menos esfuerzo de reporte, más visibilidad de fondos, mejor cumplimiento —sin perder de vista a quién protege el dato.