Descargar el libro blanco<\/span><\/a><\/div>\nEstamos 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 aut\u00f3noma. Desde la respuesta ante incidentes hasta la concesi\u00f3n de cr\u00e9ditos, 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 cr\u00edtico: contexto<\/strong>.<\/p>\nPartiendo de las conclusiones de nuestro informe t\u00e9cnico reci\u00e9n publicado, Gr\u00e1ficos de conocimiento e ingenier\u00eda del contexto<\/strong><\/em>, este art\u00edculo resume los tres pilares fundamentales que las empresas necesitan para que la IA aut\u00f3noma sea fiable, auditable y verdaderamente aut\u00f3noma.<\/p>\nEn entornos de producci\u00f3n, el rendimiento de un agente de IA depende menos del gran modelo de lenguaje subyacente y m\u00e1s del contexto sobre el que es capaz de razonar con \u00e9xito. El problema es que las arquitecturas empresariales tradicionales de tipo data no se dise\u00f1aron para capturar el razonamiento. Capturan estados actuales, como un cliente registrado, un ticket abierto o una versi\u00f3n implementada, pero pasan por alto por completo el historial t\u00e1cito de precedentes, pol\u00edticas a las que se ha renunciado y excepciones concedidas que residen en la mente de las personas o en hilos de chat fragmentados.<\/p>\n
Para resolver esto, las organizaciones deben adoptar la ingenier\u00eda del contexto mediante la creaci\u00f3n de una base estructurada en capas e interconectada: grafos de conocimiento, ontolog\u00edas y grafos de contexto. Tal y como se\u00f1ala Foundation Capital, esto representa \u201cLa oportunidad de un bill\u00f3n de d\u00f3lares que ofrece la IA\u201d<\/strong>.<\/p>\nCap\u00edtulo 1: Grafos de conocimiento: conectar lo que sabe la empresa<\/h2>\n
Tradicionalmente, la informaci\u00f3n 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 elaboraci\u00f3n de informes, ignora por completo c\u00f3mo funcionan realmente las empresas. La mayor\u00eda de las cuestiones empresariales son, por naturaleza, relacionales: qui\u00e9n compr\u00f3 qu\u00e9, qu\u00e9 sistemas dependen unos de otros y c\u00f3mo se desarrollan los acontecimientos a lo largo del tiempo.<\/p>\n
Los grafos de conocimiento est\u00e1n dise\u00f1ados expresamente para ajustarse a esta realidad. En lugar de almacenar datos en tablas aisladas, representan la informaci\u00f3n como una red de entidades y relaciones expl\u00edcitas, lo que supone un cambio en el paradigma data, pasando de las \u201ccadenas\u201d a las \u201ccosas\u201d<\/strong>. Considere el reto que supone crear una visi\u00f3n real de 360\u00b0 de un cliente. En una base de datos SQL tradicional data, averiguar qu\u00e9 clientes abrieron un ticket de asistencia sobre un producto adquirido a trav\u00e9s de una campa\u00f1a espec\u00edfica requiere una uni\u00f3n multidireccional lenta, compleja y poco fiable. En un grafo de conocimiento, esta misma consulta consiste en un \u00fanico recorrido intuitivo siguiendo aristas con nombre como COLOCADO<\/em>, CONTIENE<\/em>, o ABIERTO<\/em>.<\/p>\nEs fundamental destacar que los grafos de conocimiento ofrecen la flexibilidad necesaria para plasmar el conocimiento t\u00e1cito, esa capa invisible de la l\u00f3gica empresarial. El conocimiento t\u00e1cito \u2014como, por ejemplo, el hecho de que un planificador con experiencia sepa qu\u00e9 retrasos en las entregas son tolerables o qu\u00e9 proveedores son fiables a pesar de sus malos resultados\u2014 no encaja en un esquema relacional predefinido. Un grafo de conocimiento incorpora nuevas entidades, relaciones y excepciones a medida que se van descubriendo.<\/strong> sin necesidad de migraciones posteriores a database. Esto lo convierte en la base perfecta para la IA agentiva, ya que permite a los sistemas aut\u00f3nomos desenvolverse en la l\u00f3gica empresarial real, en lugar de en textos vagamente relacionados entre s\u00ed.<\/p>\nCap\u00edtulo 2: Ontolog\u00edas y gobernanza sem\u00e1ntica \u2014 Definici\u00f3n de su significado<\/h2>\n
La conexi\u00f3n 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 ontolog\u00eda. Una ontolog\u00eda proporciona el esquema conceptual: define qu\u00e9 son las entidades, c\u00f3mo se relacionan entre s\u00ed y qu\u00e9 reglas operativas se aplican.<\/p>\n
La necesidad de ontolog\u00edas resulta evidente al observar las limitaciones de la generaci\u00f3n aumentada por recuperaci\u00f3n (RAG) est\u00e1ndar. A escala empresarial, los espacios vectoriales se saturan. La transcripci\u00f3n de una reuni\u00f3n, un ticket de Jira y un hilo de Slack sobre proyectos similares resultar\u00e1n matem\u00e1ticamente id\u00e9nticos para un modelo de incrustaci\u00f3n, lo que provocar\u00e1 que la IA recupere datos irrelevantes o fuera de contexto. La soluci\u00f3n consiste en pasar de RAG a GraphRAG.<\/strong> Al utilizar la ontolog\u00eda para organizar la recuperaci\u00f3n de informaci\u00f3n en torno a relaciones expl\u00edcitas, GraphRAG fundamenta las respuestas de la IA en conexiones empresariales verificables, en lugar de basarse en una mera similitud superficial del texto.<\/p>\nAdem\u00e1s, a medida que las empresas transfieren contenido no estructurado (como archivos PDF y conversaciones) a flujos de conocimiento estructurados, las ontolog\u00edas act\u00faan como un contrato sem\u00e1ntico. Proporcionan l\u00edmites deterministas para los modelos de lenguaje grandes (LLM) probabil\u00edsticos. En concreto, una ontolog\u00eda garantiza la fiabilidad de los agentes de tres formas fundamentales:<\/p>\n
\n- Aplicar lo que debe ser cierto:<\/strong> Las ontolog\u00edas pueden restringir las acciones bas\u00e1ndose en normas estrictas. Por ejemplo, pueden garantizar que un agente no pueda cambiar el estado de un pr\u00e9stamo a \u201caprobado\u201d a menos que se hayan verificado expl\u00edcitamente todos los documentos necesarios, detectando as\u00ed las infracciones antes de que se propaguen.<\/li>\n
- Obtenci\u00f3n de nuevos datos en tiempo real:<\/strong> Si una ontolog\u00eda define a un \u201ccliente VIP\u201d como alguien que ha completado cinco pedidos, el sistema deduce autom\u00e1ticamente 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 aut\u00f3nomos en cuanto se cumple la condici\u00f3n, sin necesidad de ninguna l\u00f3gica de aplicaci\u00f3n personalizada.<\/li>\n
- Hacer que las decisiones sean explicables:<\/strong> Cuando un agente rechaza una solicitud de pr\u00e9stamo o da prioridad a una incidencia, la explicaci\u00f3n ya no es \u201clo dice el modelo\u201d. La decisi\u00f3n se remonta a un vocabulario empresarial com\u00fan que los equipos humanos pueden auditar y comprender f\u00e1cilmente.<\/li>\n<\/ul>\n
Cap\u00edtulo 3: Gr\u00e1ficos de contexto e IA agencial: c\u00f3mo convertir el conocimiento en acci\u00f3n<\/h2>\n
Si bien los grafos de conocimiento y las ontolog\u00edas describen lo que existe y las reglas que lo rigen, Los sistemas agenticos reales requieren un contexto din\u00e1mico y operativo<\/strong>. Necesitan saber qu\u00e9 est\u00e1 ocurriendo en este momento y c\u00f3mo se ha comportado la organizaci\u00f3n a lo largo de su historia.<\/p>\nLos 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 aut\u00f3noma. Una decisi\u00f3n operativa compleja, como la resoluci\u00f3n de un incidente, puede abarcar registros de GitHub, la supervisi\u00f3n de implementaciones y un extenso debate en Slack. En un sistema de registro, solo se almacena el estado final de \u201cresuelto\u201d. La cadena causal, las compensaciones y los precedentes hist\u00f3ricos simplemente desaparecen.<\/p>\n
Aqu\u00ed 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 pol\u00edticas aplicadas, las excepciones concedidas y los resultados causales. Una observaci\u00f3n muy relevante del libro blanco afirma lo siguiente:<\/p>\n
\u201cEl software creado para las personas capta lo que es cierto. El software creado para los agentes debe captar c\u00f3mo se ha llegado a esa certeza\u201d.\u201d<\/em> \u2013 Florence Benezit, socia de Artefact<\/strong><\/p>\nSin 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 hist\u00f3ricos, comprendiendo por qu\u00e9 se hizo una excepci\u00f3n en el pasado y anticipando las repercusiones posteriores.<\/p>\n
Para orientarse en este nuevo panorama, los equipos directivos deben distinguir claramente entre tres niveles fundamentales de la empresa proactiva:<\/p>\n
\n- Gr\u00e1ficos de conocimiento:<\/strong> Recopile los conocimientos de la empresa (clientes, productos, normativas, dependencias). Se trata del modelo compartido y estable de la empresa.<\/li>\n
- Gr\u00e1ficos de memoria:<\/strong> Recopile lo que recuerda el agente (preferencias del usuario, interacciones anteriores, lecciones aprendidas tanto epis\u00f3dicas como sem\u00e1nticas). De este modo, se garantiza que el agente no tenga que empezar desde cero.<\/li>\n
- Gr\u00e1ficos de contexto:<\/strong> Registre c\u00f3mo toma decisiones la organizaci\u00f3n (trazados de decisiones, precedentes, pol\u00edticas aplicadas y l\u00edneas de razonamiento). Es aqu\u00ed donde el razonamiento organizativo se vuelve computable.<\/li>\n<\/ul>\n
Al actuar de forma conjunta, estas tres capas crean un entorno en el que las decisiones se acumulan con el paso del tiempo. En \u00faltima instancia, esto permite a una empresa ir m\u00e1s all\u00e1 del mero registro de operaciones para crear un aut\u00e9ntico \u201csimulador\u201d capaz de anticipar de forma activa el comportamiento organizativo y sus efectos posteriores.<\/p>\n
Conclusi\u00f3n: \u00bfPor d\u00f3nde deber\u00edan empezar las empresas?<\/h2>\n
Dada la gran cantidad de aspectos te\u00f3ricos que hay que abordar, la pregunta inmediata para las organizaciones es: \u00bfpor d\u00f3nde empezamos? La respuesta no consiste en intentar crear de inmediato un grafo empresarial enorme y monol\u00edtico. En su lugar, las organizaciones deber\u00edan empezar centr\u00e1ndose exclusivamente en el flujo de trabajo.<\/p>\n
Identifique una decisi\u00f3n recurrente y de gran importancia en la que, en la actualidad, la respuesta correcta dependa en gran medida de la experiencia t\u00e1cita de los empleados con m\u00e1s antig\u00fcedad, que act\u00faan como puente entre sistemas fragmentados. Si el cuello de botella es la dispersi\u00f3n de la informaci\u00f3n, comience por crear un grafo de conocimiento. Si el reto es la continuidad entre las interacciones de la IA, c\u00e9ntrese en la memoria. Si el obst\u00e1culo es comprender las decisiones pasadas y auditar el razonamiento, cree un grafo de contexto.<\/p>\n
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 vendr\u00e1n determinados \u00fanicamente por la potencia computacional. En \u00faltima instancia, la pr\u00f3xima d\u00e9cada de la IA empresarial no la ganar\u00e1n las empresas con los mejores modelos, sino aquellas que cuenten con el mejor contexto para respaldar a sus agentes.<\/p>","protected":false},"excerpt":{"rendered":"
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 aut\u00f3noma. Desde la respuesta ante incidentes hasta la concesi\u00f3n de cr\u00e9ditos, 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 fundamental: el contexto. <\/p>","protected":false},"featured_media":1323628,"parent":0,"template":"","meta":{"_acf_changed":false,"ep_exclude_from_search":false},"blog-category":[],"blog-language":[2991],"class_list":["post-1323627","blog","type-blog","status-publish","has-post-thumbnail","hentry","blog-language-en"],"acf":[],"_links":{"self":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog\/1323627","targetHints":{"allow":["GET"]}}],"collection":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog"}],"about":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/types\/blog"}],"wp:featuredmedia":[{"embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media\/1323628"}],"wp:attachment":[{"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/media?parent=1323627"}],"wp:term":[{"taxonomy":"blog-category","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-category?post=1323627"},{"taxonomy":"blog-language","embeddable":true,"href":"https:\/\/www.artefact.com\/es\/wp-json\/wp\/v2\/blog-language?post=1323627"}],"curies":[{"name":"wp","href":"https:\/\/api.w.org\/{rel}","templated":true}]}}
![\"\"](\"https:\/\/www.artefact.com\/\/wp-content\/uploads\/2026\/06\/Mockup-LP-Knowledge-graph-1.png\")
<\/p>\n