MDMA en la práctica: qué mira un evaluador en cada dimensiónMDMA in Practice: What an Evaluator Looks for in Each Dimension
Analista de Transfer Pricing. Investigador en gobernanza algorítmica aplicada al cumplimiento fiscal internacional. Creador del Sistema TRIA.Transfer Pricing Analyst. Researcher in algorithmic governance applied to international tax compliance. Creator of Sistema TRIA.
Un analista de una fintech copia el rechazo de un crédito que redactó una IA, directo al sistema, sin dejar rastro de que hubo IA de por medio. Nadie hizo nada malo. Pero si mañana un regulador pregunta, no hay forma de reconstruir qué decisiones tuvieron intervención algorítmica y cuáles no.An analyst at a fintech copies an AI-drafted credit rejection straight into the system, with no record that AI was involved at all. Nobody did anything wrong. But if a regulator asks tomorrow, there's no way to reconstruct which decisions had algorithmic input and which didn't.
Ese es exactamente el tipo de situación que la matriz MDMA fue diseñada para detectar. La pregunta que más se repite después de leerla es siempre la misma: ¿cómo se ve esto en un caso real? Acá van los indicadores concretos que busca un evaluador, y tres casos por sector.
That's exactly the kind of situation the MDMA matrix was built to catch. The question that comes up most after reading it is always the same: what does this actually look like in a real case? Here are the concrete signals an evaluator looks for, plus three cases by sector.
Qué separa un nivel de otroWhat Separates One Level from Another
No es una diferencia de intención. Es una diferencia de evidencia que se puede mostrar.
It's not a difference in intent. It's a difference in evidence you can actually show.
| Dimensión | Señal de Nivel Incipiente | Señal de Nivel Estandarizado |
|---|---|---|
| 1. Registro de intervenciones | El resultado se pega en el documento sin marca de origen. | Cada intervención tiene fecha, responsable e input recuperable. |
| 2. Versión de modelo | Nadie sabe qué versión generó un resultado de hace meses. | El historial de versiones está vinculado a resultados específicos. |
| 3. Validación profesional | Se firma sin dejar rastro de qué se cambió. | El expediente conserva el original, el ajuste y la conclusión firmada. |
| 4. Riesgos y sesgos | El resultado se trata como dato objetivo, sin cuestionarlo. | Cada uso documenta las limitaciones y sesgos identificados. |
| 5. Política de dirección | Existe una política, pero nadie puede mostrar cómo se cumple. | La política se verifica expediente por expediente. |
| 6. Comunicación a terceros | La respuesta a un auditor depende de a quién le preguntes. | Cualquier tercero reconstruye el proceso sin depender de un relato. |
| 7. Monitoreo continuo | "Sentimos que el sistema mejoró" — sin dato que lo sostenga. | Series de datos reales: tasa de corrección, evolución por versión. |
| 8. No conformidades | El mismo error se corrige una y otra vez sin registrarlo. | Toda corrección queda documentada y alimenta la mejora. |
| Dimension | Incipient-Level Signal | Standardized-Level Signal |
|---|---|---|
| 1. Intervention logging | The output gets pasted into the document with no origin marker. | Every intervention has a timestamp, an owner, and a retrievable input. |
| 2. Model version | No one knows which version generated a months-old output. | Version history is linked to specific outputs. |
| 3. Professional validation | Signed off with no trace of what changed. | The file keeps the original, the edit, and the signed conclusion. |
| 4. Risks and bias | The output is treated as objective fact, unquestioned. | Every use documents the identified limitations and biases. |
| 5. Leadership policy | A policy exists, but no one can show how it's actually followed. | The policy gets verified file by file. |
| 6. Communication to third parties | The answer to an auditor depends on who you ask. | Any third party can reconstruct the process without relying on a story. |
| 7. Continuous monitoring | "We feel the system got better" — with no data behind it. | Real data series: correction rate, evolution by version. |
| 8. Non-conformities | The same error gets fixed over and over, never logged. | Every fix gets documented and feeds back into improvement. |
Tres casos, tres sectoresThree Cases, Three Sectors
Fintech — scoring crediticio. Los analistas copian directo al sistema las justificaciones de rechazo de crédito que redacta un LLM, sin dejar constancia de que hubo IA involucrada. Ante una auditoría, no pueden distinguir qué decisiones tuvieron intervención algorítmica. Nivel 1 en Registro de intervenciones — no hay marca de origen, solo el resultado final.
Fintech — credit scoring. Analysts copy an LLM's credit-rejection justifications straight into the case system, with no record that AI was involved. Facing an audit, they can't tell which decisions had algorithmic input. Level 1 in Intervention Logging — no origin marker, just the final output.
Contable y fiscal — precios de transferencia. Un estudio usa IA para redactar el análisis de comparables. El profesional ajusta cifras y descarta un comparable, pero el informe final nunca distingue criterio propio de resultado del sistema. Ante un requerimiento fiscal, no hay evidencia documental del razonamiento aplicado. Nivel 2 en Validación profesional — hubo criterio real, pero nunca quedó documentado como tal.
Accounting and tax — transfer pricing. A firm uses AI to draft a comparables analysis. The professional adjusts figures and drops one comparable, but the final report never distinguishes their own judgment from the system's output. Facing a tax authority request, there's no documentary trace of the reasoning. Level 2 in Professional Validation — real judgment was applied, it just never got documented as such.
Sector público — control interno. Un organismo detecta el mismo error en un sistema de preselección de expedientes, mes tras mes. Se corrige cada vez, pero al no quedar registrado como patrón, nadie nota que llevan ocho meses resolviendo el mismo problema estructural. Nivel 2 en Gestión de no conformidades — corrección reactiva, sin aprendizaje sistematizado.
Public sector — internal controls. An agency keeps hitting the same error in a case-preselection system, month after month. It gets fixed each time, but since it's never logged as a pattern, nobody notices they've spent eight months solving the same structural problem. Level 2 in Non-Conformity Management — reactive fixes, no systematic learning.
Qué tienen todos en comúnWhat They All Have in Common
Ninguno de estos tres casos involucra mala fe. Los tres tienen lo mismo: ausencia de un sistema que haga la trazabilidad automática, en vez de depender de la memoria y la buena voluntad de las personas. Eso es, en el fondo, lo que hace MDMA: convertir "confiamos en que se hizo bien" en "podemos mostrar que se hizo bien".
None of these three cases involve bad faith. All three share the same thing: no system that makes traceability automatic, so it ends up depending on people's memory and good will instead. That's ultimately what MDMA does — it turns "we trust it was done right" into "we can show it was done right."
ReferenciasReferences
Lento, U. (2026). Sistema TRIA [Software & Obra literaria científica]. Legajo N.º RL-2026-46255181-APN-DNDA#MJ. Dirección Nacional del Derecho de Autor, Argentina.
Lento, U. (2026). Sistema TRIA [Software & scientific literary work]. File No. RL-2026-46255181-APN-DNDA#MJ. Argentina's National Copyright Office (DNDA).
Lento, U. (2026). Matriz de Diagnóstico de Madurez Algorítmica — MDMA-TRIA [Obra inédita no musical. Expediente N.º EX-2026-67047649-APN-DNDA#MJ]. Legajo N.º RL-2026-68594813-APN-DNDA#MJ. Dirección Nacional del Derecho de Autor, Argentina.
Lento, U. (2026). Algorithmic Maturity Diagnostic Matrix — MDMA-TRIA [Unpublished non-musical work. Case No. EX-2026-67047649-APN-DNDA#MJ]. File No. RL-2026-68594813-APN-DNDA#MJ. Argentina's National Copyright Office (DNDA).