Operationalizing NIST AI RMF 1.0 for Federal Training and Academic AI Deployers

Ruchir Bakshi

doi:10.5281/zenodo.20723757

PreprintDescarga libreInglés

Operationalizing NIST AI RMF 1.0 for Federal Training and Academic AI Deployers

Ruchir Bakshi

Año: 2026
DOI: 10.5281/zenodo.20723757 (se abre en una pestaña nueva)
Licencia: CC BY

Resumen ADIPA

Elaborado con IA a partir del resumen de los autores

Preprint que desarrolla un perfil de operacionalización del Marco de Gestión de Riesgos en Inteligencia Artificial (AI RMF 1.0) del National Institute of Standards and Technology (NIST) para organizaciones federales, de capacitación y académicas que despliegan sistemas de IA. El documento adapta las 72 subcategorías del AI RMF Playbook (divididas en funciones de Gobernar, Mapear, Medir y Gestionar) al contexto específico de unidades que desarrollan contenidos educativos, gestionan plataformas de aprendizaje adaptativo, implementan tutorías con IA y emplean IA en evaluación. Para cada subcategoría, empareja el lenguaje de control de NIST con análisis de aplicabilidad dirigido a contextos de capacitación académica y campos para auto-evaluación. El perfil conserva 71 subcategorías como aplicables y marca 1 como no aplicable, acompañado de un script reproducible que evita divergencias de la fuente oficial.

Puntos clave

Las organizaciones federales, de capacitación y académicas que despliegan IA constituyen una clase específica de usuarios finales no abordada explícitamente en el AI RMF 1.0, diferenciada de desarrolladores de modelos de frontera.
El perfil operacionaliza 71 de 72 subcategorías del AI RMF Playbook mediante análisis de aplicabilidad específico para contextos educativos, sistemas de gestión del aprendizaje, tutorías adaptativas y detección de textos generados por IA.
La herramienta incluye campos de estado actual y estado deseado que cada organización completa de forma autónoma, alineada con un script reproducible que extrae directamente de la fuente pública de NIST para eliminar errores de transcripción.
El perfil temporal y la plantilla de selección de controles ofrecen un andamiaje reutilizable para que organizaciones de capacitación y académicas adapten el marco a sus contextos específicos de riesgo y capacidad.

Para quién: Diseñadores instructivos, coordinadores de capacitación y responsables de sistemas académicos que implementan tecnologías de IA y requieren un modelo de gobernanza de riesgos adaptado a su contexto organizacional específico.

Resumen de los autores

The U.S. National Institute of Standards and Technology (NIST) Artificial Intelligence Risk Management Framework (AI RMF 1.0; NIST AI 100-1) is voluntary, sector-agnostic, and non-prescriptive. Its companion AI RMF Playbook supplies 72 actionable subcategories across four functions - Govern, Map, Measure, and Manage - but leaves to each organization the work of selecting, scoping, and operationalizing them. This paper develops a use-case AI RMF Profile with a temporal-profile template for a class of organizations that the framework does not address by name: federal instructional-design, training, and academic units. These organizations are AI deployers and users, not frontier-model developers: they author courseware, run learning-management and adaptive-learning systems, field AI tutoring, and use AI in assessment and AI-text detection. The Profile applies an explicit deployer lens to all 72 subcategories, retaining 71 as in-scope (Govern 19, Map 18, Measure 21, Manage 13) and marking 1 Not Applicable with a stated reason, reconciling to the full set with no silent omissions. For each in-scope subcategory it pairs the verbatim NIST control language - description, suggested actions, and documentation questions - with a generic applicability analysis for training and academic deployment and blank current-state/target-state fields the adopter completes. A reproducible build script renders the Profile directly from the pinned machine-readable Playbook used for this version, so the artifact cannot drift from that public-domain source through transcription error. The contribution is the selection logic, the deployer-oriented applicability analysis, the reusable temporal-profile scaffold, and the synthesis; the NIST control text is quoted and attributed as a U.S. Government work in the public domain. The Profile is offered as a voluntary template, not a completed Current Profile, completed Target Profile, certification, or compliance mandate.

Áreas y palabras clave

Educación y psicopedagogía academic ai deployment ai assessment ai deployer ai governance ai risk management ai-text detection educational technology federal training higher education instructional design learning management systems nist ai rmf reproducibility risk management framework

Cómo citar (APA 7)

Bakshi, R. (2026). Operationalizing NIST AI RMF 1.0 for Federal Training and Academic AI Deployers. https://doi.org/10.5281/zenodo.20723757

BibTeX RIS (Zotero, Mendeley, EndNote)CSL-JSON

Operationalizing NIST AI RMF 1.0 for Federal Training and Academic AI Deployers

Resumen ADIPA

Puntos clave

Resumen de los autores

Áreas y palabras clave

Cómo citar (APA 7)

Operationalizing NIST AI RMF 1.0 for Federal Training and Academic AI Deployers

Resumen ADIPA

Puntos clave

Resumen de los autores

Áreas y palabras clave

Cómo citar (APA 7)

Relacionados