Singapore MGF

Singapore Model Governance Framework for Agentic AI — Guia de Alineacion

Companion del AI-First Engineering Framework v7.6.0

---

1. Que es el Singapore MGF for Agentic AI

El Model Governance Framework for Generative AI — Agentic AI Extension fue publicado por la Infocomm Media Development Authority (IMDA) de Singapur el 22 de enero de 2026. Es el primer framework de gobernanza gubernamental del mundo especificamente disenado para sistemas AI agenticos.

A diferencia de marcos regulatorios prescriptivos (como el EU AI Act), el MGF de Singapur adopta un enfoque basado en principios y dimensiones, reconociendo que los agentes AI:

• Toman acciones autonomas en el mundo real
• Operan en cadenas multi-agente donde la responsabilidad se diluye
• Interactuan con herramientas externas (APIs, bases de datos, sistemas)
• Pueden escalar comportamiento de formas no previstas

El framework se organiza en 4 dimensiones de gobernanza que cubren todo el ciclo de vida de un agente, desde pre-deployment hasta operacion continua.

Alcance

El MGF aplica a cualquier organizacion que desarrolle, despliegue u opere sistemas AI agenticos, incluyendo:

• Agentes autonomos (FABs, coding agents, research agents)
• Orquestaciones multi-agente (pipelines, swarms, hierarchical)
• Sistemas MCP (Model Context Protocol) con acceso a herramientas
• Workflows AI con toma de decisiones autonoma

---

2. Las 4 Dimensiones de Gobernanza

D1: Risk Bounding — Limitar Riesgos Antes de Deployment

Principio: Antes de desplegar un agente, la organizacion debe identificar, evaluar y acotar los riesgos potenciales.

Controles clave:

Control	Descripcion	Objetivo
D1.1	Risk assessment pre-deployment	Identificar riesgos antes de activar agente
D1.2	Capability scoping	Limitar que puede hacer el agente
D1.3	Environment constraints	Definir en que entornos opera
D1.4	Escalation boundaries	Definir cuando escalar a humano
D1.5	Testing & simulation	Validar comportamiento antes de produccion

Preguntas guia:

• Que acciones puede realizar el agente? Cuales estan prohibidas?
• Que datos puede acceder? Con que clasificacion?
• Que sucede si el agente falla? Cual es el blast radius?
• Se ha probado en escenarios adversos (prompt injection, tool misuse)?

D2: Human Accountability — Cadena Clara de Responsabilidad

Principio: Siempre debe existir un humano accountable por las acciones de un agente. La autonomia del agente no elimina la responsabilidad humana.

Controles clave:

Control	Descripcion	Objetivo
D2.1	Accountability assignment	Asignar humano responsable por agente
D2.2	Decision authority matrix	Definir que decide el agente vs el humano
D2.3	Override mechanisms	Capacidad de anular decisiones del agente
D2.4	Audit trail	Registro completo de acciones y decisiones
D2.5	Escalation protocols	Procedimientos claros de escalacion

Preguntas guia:

• Quien es responsable si el agente causa dano?
• Existe un RACI claro para operaciones del agente?
• Se puede revertir cualquier accion del agente?
• Hay registro auditable de cada decision?

D3: Technical Controls — Controles Tecnicos Runtime

Principio: Los controles tecnicos deben limitar, monitorear y detener el comportamiento del agente en tiempo real.

Controles clave:

Control	Descripcion	Objetivo
D3.1	Runtime monitoring	Monitoreo continuo de comportamiento
D3.2	Kill switch	Parada de emergencia inmediata
D3.3	Cost controls	Limites de gasto y circuit breakers
D3.4	Tool access controls	Permisos granulares por herramienta
D3.5	Inter-agent security	Zero trust entre agentes
D3.6	Output validation	Validar acciones antes de ejecutar

Preguntas guia:

• Se puede detener el agente inmediatamente si se comporta mal?
• Hay limites de costo que impidan gasto descontrolado?
• Los permisos de herramientas siguen principio de minimo privilegio?
• Se validan las acciones del agente antes de ejecutarlas?

D4: End-User Responsibility — Responsabilidad del Usuario Final

Principio: Los usuarios finales deben entender que interactuan con un agente AI, conocer sus limitaciones, y poder optar por interaccion humana.

Controles clave:

Control	Descripcion	Objetivo
D4.1	AI disclosure	Informar que el sistema es AI
D4.2	Capability transparency	Comunicar que puede y no puede el agente
D4.3	Limitation warnings	Advertir sobre limitaciones conocidas
D4.4	Human fallback	Opcion de escalar a humano
D4.5	Feedback mechanism	Canal para reportar problemas

Preguntas guia:

• El usuario sabe que habla con un agente AI?
• Se comunican las limitaciones del agente?
• El usuario puede pedir hablar con un humano?
• Hay canal de feedback para reportar errores del agente?

---

3. Mapping Completo: Singapore MGF al Framework

D1: Risk Bounding → Framework

Control MGF	Artefacto/Script del Framework	Fase	Detalle
D1.1 Risk assessment	F01_strategy/problem_statement.yaml	F01	Risk assessment como parte del problem statement
D1.1 Risk assessment	compliance-linter.py	F08	Verificacion automatizada de compliance
D1.2 Capability scoping	.claude/settings.json permissions	F00	Deny lists, allowed tools por skill
D1.2 Capability scoping	AGENTS.md Never list	F00	Acciones prohibidas explicitamente
D1.3 Environment constraints	fab-workspace-setup.sh	F06	Worktrees aislados por FAB
D1.4 Escalation boundaries	.fab-config.yaml escalation_policy	F06	pause_and_notify / stop_immediately
D1.5 Testing & simulation	F07_tevv/ eval scorecards	F07	Evaluacion pre-deployment
D1.5 Testing & simulation	owasp-asi-checker.py	F08	Tests automaticos ASI01-ASI10

D2: Human Accountability → Framework

Control MGF	Artefacto/Script del Framework	Fase	Detalle
D2.1 Accountability assignment	CORE_F00_Roles_RACI_Gates.md	F00	RACI matrix con responsabilidades
D2.1 Accountability assignment	human_agent_responsibility.yaml	F01	Definicion explicita humano vs agente
D2.2 Decision authority	gate-check.sh / fab-gate-check.py	Todas	Gates requieren aprobacion humana
D2.2 Decision authority	AGENTS.md 7 Golden Principles	F00	Principle 4: Humans approve, agents propose
D2.3 Override mechanisms	fab-kill-switch.sh	F09	Emergency stop + graceful shutdown
D2.4 Audit trail	Git commit co-authorship	Todas	Trazabilidad AI en commits
D2.4 Audit trail	dora-metrics.py AI attribution	F09	Metricas con atribucion AI
D2.5 Escalation protocols	.fab-config.yaml blocker rules	F06	Reglas de escalacion por condicion

D3: Technical Controls → Framework

Control MGF	Artefacto/Script del Framework	Fase	Detalle
D3.1 Runtime monitoring	fab-health-check.sh	F09	Monitoreo de salud de FABs
D3.1 Runtime monitoring	fab-feedback-loop.py	F10	Telemetria y analisis continuo
D3.2 Kill switch	fab-kill-switch.sh	F09	Parada de emergencia con checkpoint
D3.3 Cost controls	fab-cost-guard.py	F09	Circuit breakers green/yellow/red/critical
D3.3 Cost controls	.fab-config.yaml budget	F06	Limites de costo por intent
D3.4 Tool access	settings.json permissions	F00	Deny/allow por herramienta
D3.4 Tool access	mcp-security-audit.py	F08	Auditoria de seguridad MCP
D3.5 Inter-agent security	Multi-Agent Orchestration Guide	F06	Zero trust entre agentes
D3.6 Output validation	artifact-validator.py	F08	Validacion contra schemas
D3.6 Output validation	Pre-commit hooks	F06	Validacion antes de commit

D4: End-User Responsibility → Framework

Control MGF	Artefacto/Script del Framework	Fase	Detalle
D4.1 AI disclosure	ai_transparency_disclosure.yaml	F08	Template de divulgacion AI
D4.1 AI disclosure	aibom.yaml / aibom-generator.py	F08	AI Bill of Materials
D4.2 Capability transparency	AGENTS.md role definitions	F00	Definicion de capacidades por agente
D4.3 Limitation warnings	EU AI Act Art.50 disclosure	F08	Marcado de contenido generado por AI
D4.4 Human fallback	Escalation protocols	F09	Mecanismos de escalacion a humano
D4.5 Feedback mechanism	fab-feedback-loop.py	F10	Ciclo de feedback y mejora

---

4. Tabla de Cobertura por Control

Dimension	Control	Status Framework	Artefacto Principal
D1.1	Risk assessment	Cubierto	problem_statement.yaml, compliance-linter
D1.2	Capability scoping	Cubierto	settings.json, AGENTS.md Never list
D1.3	Environment constraints	Cubierto	fab-workspace-setup.sh
D1.4	Escalation boundaries	Cubierto	.fab-config.yaml
D1.5	Testing & simulation	Cubierto	F07 evals, owasp-asi-checker
D2.1	Accountability assignment	Cubierto	RACI, human_agent_responsibility
D2.2	Decision authority	Cubierto	gate system, 7 Golden Principles
D2.3	Override mechanisms	Cubierto	fab-kill-switch.sh
D2.4	Audit trail	Cubierto	git co-authorship, DORA metrics
D2.5	Escalation protocols	Cubierto	.fab-config.yaml blocker rules
D3.1	Runtime monitoring	Cubierto	fab-health-check, fab-feedback-loop
D3.2	Kill switch	Cubierto	fab-kill-switch.sh
D3.3	Cost controls	Cubierto	fab-cost-guard.py, budget config
D3.4	Tool access controls	Cubierto	settings.json, mcp-security-audit
D3.5	Inter-agent security	Cubierto	Multi-Agent Orchestration Guide
D3.6	Output validation	Cubierto	artifact-validator, pre-commit hooks
D4.1	AI disclosure	Cubierto	ai_transparency_disclosure, AIBOM
D4.2	Capability transparency	Cubierto	AGENTS.md
D4.3	Limitation warnings	Cubierto	Art.50 disclosure template
D4.4	Human fallback	Cubierto	Escalation protocols
D4.5	Feedback mechanism	Cubierto	fab-feedback-loop.py

Cobertura total: 21/21 controles (100%)

Nota: “Cubierto” significa que el framework provee artefactos y scripts para implementar el control. La implementacion efectiva depende de que el proyecto complete los templates.

---

5. Triangulacion: Singapore MGF + EU AI Act + ISO 42001

Los tres marcos regulatorios son complementarios, no redundantes:

Aspecto	Singapore MGF	EU AI Act	ISO 42001
Tipo	Framework de gobernanza	Regulacion legal	Estandar de gestion
Enfoque	Agentes AI especificamente	AI de proposito general	Sistema de gestion AI
Obligatoriedad	Voluntario (best practice)	Obligatorio (EU)	Certificable
Scope	Runtime + pre-deployment	Todo el ciclo de vida	Organizacional

Como se complementan

Singapore MGF (Agentes)     →  Gobernanza especifica para agentes autonomos
     ↕ complementa
EU AI Act (Legal)           →  Requisitos legales de transparencia y risk mgmt
     ↕ complementa
ISO 42001 (Gestion)         →  Sistema de gestion certificable para AI

Recomendacion de implementacion:

1. Usar ISO 42001 como base del sistema de gestion AI (clausulas 4-10)
2. Complementar con EU AI Act para requisitos legales (Art.50 transparencia, Art.73 conformity)
3. Especializar con Singapore MGF para controles especificos de agentes (D1-D4)
4. Usar el framework como implementacion tecnica que satisface los tres

Mapping cruzado

Singapore MGF	EU AI Act	ISO 42001	Framework
D1 Risk Bounding	Art.9 Risk Management	6.1 Risk Assessment	F01 + F08
D2 Accountability	Art.16 Provider Obligations	5.1 Leadership	RACI + Gates
D3 Technical Controls	Art.15 Accuracy/Robustness	8.1 Operational Planning	F09 Scripts
D4 Transparency	Art.50 Transparency	A.6 AI Transparency	AIBOM + Disclosure

Escenarios de uso combinado

Escenario 1: Empresa en EU con operaciones en APAC

• ISO 42001 como base del AI management system (certificable)
• EU AI Act para cumplimiento legal obligatorio en mercados europeos
• Singapore MGF para controles especificos de agentes en operaciones APAC
• El framework genera evidencia reutilizable para los tres marcos

Escenario 2: Startup SaaS con agentes autonomos

• Singapore MGF como guia practica de gobernanza (enfoque agentico)
• ISO 42001 como roadmap hacia certificacion cuando escale
• EU AI Act si planea operar en EU (Art.50 disclosure temprano)
• El framework permite cumplir incrementalmente, fase por fase

Escenario 3: Enterprise regulada (finanzas, salud)

• Los tres marcos simultaneamente (regulacion exige maxima cobertura)
• Singapore MGF para controles runtime de agentes en produccion
• EU AI Act para conformity assessment (Art.73) si el sistema es high-risk
• ISO 42001 para certificacion y auditorias externas

Valor diferencial del Singapore MGF

A diferencia de EU AI Act (legal, amplio) e ISO 42001 (gestion, generico), el MGF de Singapur:

• Es el unico que aborda especificamente agentes AI autonomos
• Define controles runtime (no solo pre-deployment)
• Incluye la dimension de responsabilidad del usuario final (D4)
• Es practico y orientado a implementacion (no solo principios)

---

6. Checklist de Implementacion

Fase 1: Pre-deployment (F01-F04)

• Completar risk assessment en problem_statement.yaml incluyendo riesgos agenticos
• Definir human_agent_responsibility.yaml con RACI claro
• Configurar AGENTS.md con Never list explicito
• Documentar capability scoping en settings.json permissions
• Clasificar datos en data_classification.yaml

Fase 2: Build & Test (F05-F07)

• Implementar contratos con validacion de output
• Configurar fab-workspace-setup.sh para aislamiento
• Ejecutar eval scorecards pre-deployment (F07)
• Correr owasp-asi-checker.py y resolver hallazgos
• Validar escalation protocols en .fab-config.yaml

Fase 3: Security & Compliance (F08)

• Completar singapore_mgf_compliance.yaml (nuevo template)
• Generar AIBOM con aibom-generator.py
• Completar ai_transparency_disclosure.yaml
• Ejecutar mcp-security-audit.py para tool access controls
• Correr compliance-linter.py para validacion integral

Fase 4: Operations (F09-F10)

• Activar fab-kill-switch.sh como mecanismo de override
• Configurar fab-cost-guard.py con limites de costo
• Activar fab-health-check.sh para monitoreo runtime
• Configurar fab-feedback-loop.py para mejora continua
• Establecer procedimiento de revision periodica de compliance

---

7. Referencias

1. IMDA Singapore — Model Governance Framework for Generative AI: Agentic AI Extension (Enero 2026)
   • https://www.imda.gov.sg/how-we-can-help/model-governance-framework
2. EU AI Act — Regulation (EU) 2024/1689
   • https://eur-lex.europa.eu/eli/reg/2024/1689/oj
3. ISO/IEC 42001:2023 — AI Management System
   • https://www.iso.org/standard/81230.html
4. OWASP Top 10 for Agentic Applications (2026)
   • https://owasp.org/www-project-top-10-for-large-language-model-applications/
5. Framework docs internos:
   • framework/guides/OWASP_Agentic_Security_Guide.md
   • framework/guides/Multi_Agent_Orchestration_Guide.md
   • framework/guides/Data_Governance_AI_Guide.md
   • framework/core/F00_Foundation/CORE_F00_Roles_RACI_Gates.md