Gráficos de conocimiento e ingeniería del contexto

Estamos entrando en una era en la que los agentes de inteligencia artificial han pasado oficialmente de actuar como asistentes pasivos a tomar decisiones de forma autónoma. Desde la respuesta ante incidentes hasta la concesión de créditos, los agentes ahora formulan recomendaciones y coordinan el trabajo en sistemas empresariales complejos. Sin embargo, este profundo cambio pone de manifiesto un nuevo cuello de botella crítico: contexto.

Partiendo de las conclusiones de nuestro informe técnico recién publicado, Gráficos de conocimiento e ingeniería del contexto, este artículo resume los tres pilares fundamentales que las empresas necesitan para que la IA autónoma sea fiable, auditable y verdaderamente autónoma.

En entornos de producción, el rendimiento de un agente de IA depende menos del gran modelo de lenguaje subyacente y más del contexto sobre el que es capaz de razonar con éxito. El problema es que las arquitecturas empresariales tradicionales de tipo data no se diseñaron para capturar el razonamiento. Capturan estados actuales, como un cliente registrado, un ticket abierto o una versión implementada, pero pasan por alto por completo el historial tácito de precedentes, políticas a las que se ha renunciado y excepciones concedidas que residen en la mente de las personas o en hilos de chat fragmentados.

Para resolver esto, las organizaciones deben adoptar la ingeniería del contexto mediante la creación de una base estructurada en capas e interconectada: grafos de conocimiento, ontologías y grafos de contexto. Tal y como señala Foundation Capital, esto representa “La oportunidad de un billón de dólares que ofrece la IA”.

Capítulo 1: Grafos de conocimiento: conectar lo que sabe la empresa

Tradicionalmente, la información empresarial data se ha estructurado en tablas relacionales, aislando entidades como los clientes o los productos en compartimentos inconexos. Si bien este enfoque relacional resulta excelente para el procesamiento de transacciones y la elaboración de informes, ignora por completo cómo funcionan realmente las empresas. La mayoría de las cuestiones empresariales son, por naturaleza, relacionales: quién compró qué, qué sistemas dependen unos de otros y cómo se desarrollan los acontecimientos a lo largo del tiempo.

Los grafos de conocimiento están diseñados expresamente para ajustarse a esta realidad. En lugar de almacenar datos en tablas aisladas, representan la información como una red de entidades y relaciones explícitas, lo que supone un cambio en el paradigma data, pasando de las “cadenas” a las “cosas”. Considere el reto que supone crear una visión real de 360° de un cliente. En una base de datos SQL tradicional data, averiguar qué clientes abrieron un ticket de asistencia sobre un producto adquirido a través de una campaña específica requiere una unión multidireccional lenta, compleja y poco fiable. En un grafo de conocimiento, esta misma consulta consiste en un único recorrido intuitivo siguiendo aristas con nombre como COLOCADO, CONTIENE, o ABIERTO.

Es fundamental destacar que los grafos de conocimiento ofrecen la flexibilidad necesaria para plasmar el conocimiento tácito, esa capa invisible de la lógica empresarial. El conocimiento tácito —como, por ejemplo, el hecho de que un planificador con experiencia sepa qué retrasos en las entregas son tolerables o qué proveedores son fiables a pesar de sus malos resultados— no encaja en un esquema relacional predefinido. Un grafo de conocimiento incorpora nuevas entidades, relaciones y excepciones a medida que se van descubriendo. sin necesidad de migraciones posteriores a database. Esto lo convierte en la base perfecta para la IA agentiva, ya que permite a los sistemas autónomos desenvolverse en la lógica empresarial real, en lugar de en textos vagamente relacionados entre sí.

Capítulo 2: Ontologías y gobernanza semántica — Definición de su significado

La conexión de la empresa data es solo el primer paso; un grafo sin una estructura definida resulta, en esencia, inutilizable. Para que sea fiable, un grafo de conocimiento necesita una ontología. Una ontología proporciona el esquema conceptual: define qué son las entidades, cómo se relacionan entre sí y qué reglas operativas se aplican.

La necesidad de ontologías resulta evidente al observar las limitaciones de la generación aumentada por recuperación (RAG) estándar. A escala empresarial, los espacios vectoriales se saturan. La transcripción de una reunión, un ticket de Jira y un hilo de Slack sobre proyectos similares resultarán matemáticamente idénticos para un modelo de incrustación, lo que provocará que la IA recupere datos irrelevantes o fuera de contexto. La solución consiste en pasar de RAG a GraphRAG. Al utilizar la ontología para organizar la recuperación de información en torno a relaciones explícitas, GraphRAG fundamenta las respuestas de la IA en conexiones empresariales verificables, en lugar de basarse en una mera similitud superficial del texto.

Además, a medida que las empresas transfieren contenido no estructurado (como archivos PDF y conversaciones) a flujos de conocimiento estructurados, las ontologías actúan como un contrato semántico. Proporcionan límites deterministas para los modelos de lenguaje grandes (LLM) probabilísticos. En concreto, una ontología garantiza la fiabilidad de los agentes de tres formas fundamentales:

• Aplicar lo que debe ser cierto: Las ontologías pueden restringir las acciones basándose en normas estrictas. Por ejemplo, pueden garantizar que un agente no pueda cambiar el estado de un préstamo a “aprobado” a menos que se hayan verificado explícitamente todos los documentos necesarios, detectando así las infracciones antes de que se propaguen.
• Obtención de nuevos datos en tiempo real: Si una ontología define a un “cliente VIP” como alguien que ha completado cinco pedidos, el sistema deduce automáticamente el estatus del cliente y lo actualiza en el momento en que se realiza el quinto pedido. Esto activa al instante nuevos flujos de trabajo autónomos en cuanto se cumple la condición, sin necesidad de ninguna lógica de aplicación personalizada.
• Hacer que las decisiones sean explicables: Cuando un agente rechaza una solicitud de préstamo o da prioridad a una incidencia, la explicación ya no es “lo dice el modelo”. La decisión se remonta a un vocabulario empresarial común que los equipos humanos pueden auditar y comprender fácilmente.

Capítulo 3: Gráficos de contexto e IA agencial: cómo convertir el conocimiento en acción

Si bien los grafos de conocimiento y las ontologías describen lo que existe y las reglas que lo rigen, Los sistemas agenticos reales requieren un contexto dinámico y operativo. Necesitan saber qué está ocurriendo en este momento y cómo se ha comportado la organización a lo largo de su historia.

Los sistemas de registro como Salesforce, ServiceNow o Workday son excelentes para registrar el estado actual de las cosas, pero resultan fundamentalmente insuficientes para la IA autónoma. Una decisión operativa compleja, como la resolución de un incidente, puede abarcar registros de GitHub, la supervisión de implementaciones y un extenso debate en Slack. En un sistema de registro, solo se almacena el estado final de “resuelto”. La cadena causal, las compensaciones y los precedentes históricos simplemente desaparecen.

Aquí es precisamente donde entran en juego los grafos de contexto. Un grafo de contexto recoge el razonamiento que subyace a las decisiones. Almacena las decisiones como entidades de primer orden vinculadas a las políticas aplicadas, las excepciones concedidas y los resultados causales. Una observación muy relevante del libro blanco afirma lo siguiente:

“El software creado para las personas capta lo que es cierto. El software creado para los agentes debe captar cómo se ha llegado a esa certeza”.” – Florence Benezit, socia de Artefact

Sin esta capa, un agente de IA es un razonador sin estado, que parte completamente de cero cada vez que se le invoca. Con un grafo de contexto, el agente puede razonar como un empleado con experiencia: citando precedentes históricos, comprendiendo por qué se hizo una excepción en el pasado y anticipando las repercusiones posteriores.

Para orientarse en este nuevo panorama, los equipos directivos deben distinguir claramente entre tres niveles fundamentales de la empresa proactiva:

• Gráficos de conocimiento: Recopile los conocimientos de la empresa (clientes, productos, normativas, dependencias). Se trata del modelo compartido y estable de la empresa.
• Gráficos de memoria: Recopile lo que recuerda el agente (preferencias del usuario, interacciones anteriores, lecciones aprendidas tanto episódicas como semánticas). De este modo, se garantiza que el agente no tenga que empezar desde cero.
• Gráficos de contexto: Registre cómo toma decisiones la organización (trazados de decisiones, precedentes, políticas aplicadas y líneas de razonamiento). Es aquí donde el razonamiento organizativo se vuelve computable.

Al actuar de forma conjunta, estas tres capas crean un entorno en el que las decisiones se acumulan con el paso del tiempo. En última instancia, esto permite a una empresa ir más allá del mero registro de operaciones para crear un auténtico “simulador” capaz de anticipar de forma activa el comportamiento organizativo y sus efectos posteriores.

Conclusión: ¿Por dónde deberían empezar las empresas?

Dada la gran cantidad de aspectos teóricos que hay que abordar, la pregunta inmediata para las organizaciones es: ¿por dónde empezamos? La respuesta no consiste en intentar crear de inmediato un grafo empresarial enorme y monolítico. En su lugar, las organizaciones deberían empezar centrándose exclusivamente en el flujo de trabajo.

Identifique una decisión recurrente y de gran importancia en la que, en la actualidad, la respuesta correcta dependa en gran medida de la experiencia tácita de los empleados con más antigüedad, que actúan como puente entre sistemas fragmentados. Si el cuello de botella es la dispersión de la información, comience por crear un grafo de conocimiento. Si el reto es la continuidad entre las interacciones de la IA, céntrese en la memoria. Si el obstáculo es comprender las decisiones pasadas y auditar el razonamiento, cree un grafo de contexto.

Estamos entrando en una era en la que la IA pasa, sin lugar a dudas, de responder preguntas a ejecutar operaciones en el mundo real. Los vencedores de esta nueva era no vendrán determinados únicamente por la potencia computacional. En última instancia, la próxima década de la IA empresarial no la ganarán las empresas con los mejores modelos, sino aquellas que cuenten con el mejor contexto para respaldar a sus agentes.