¿Ontología o capa semántica? Qué necesita un agente de IA de ambas.
Cómo difieren las ontologías y las capas semánticas, qué falla cuando solo existe una, dónde encajan los grafos de conocimiento y un orden práctico para construir la capa de contexto.
Fuentes: **Ontology vs. Semantic Layer: Why Your AI Agent Needs Both**
Al hacerle una pregunta a tres fuentes sobre cuántos ingresos se habían obtenido, las respuestas suelen diferir: 10,2 millones según finanzas, 10,4 millones según marketing, y 9,8 millones según la herramienta de IA integrada en Slack. Nadie está de acuerdo. Antes, las personas resolvían esto en una breve reunión. Un agente no contactará a un colega para preguntarle el significado de una métrica, por lo que al encontrar una columna llamada rev_ttm_adj_v2 inventa algo o toma la primera definición que encuentra.
Según se informa, incorporar conocimiento del dominio modelado en el proceso de recuperación de información ha reducido las tasas de alucinaciones en aproximadamente un 40%. Esto solo es cierto si ese conocimiento existe en forma modelada y no solo en la memoria de las pocas personas que crearon las tablas. El volumen de almacenamiento y la habilidad del agente importan poco cuando lo único que hay entre ellos son tablas en bruto y consultas SQL, ya que la empresa no confiará en los resultados obtenidos.
La capa de contexto
La capa de contexto nombra una función, no un producto. Reúne definiciones semánticas, conocimiento del dominio, linaje, políticas de gobernanza, indicadores de calidad y estado de certificación, y los expone a través de una única interfaz tanto para personas como para agentes.
Las ontologías y las capas semánticas realizan la mayor parte del trabajo aquí. El marketing de los proveedores a menudo las confunde, pero cada una aborda un problema diferente; construirlas en el orden incorrecto genera proyectos de IA que parecen excelentes en las demostraciones pero se estancan antes de llegar a la producción.
División del trabajo en una frase
En resumen: la capa semántica se ocupa de cuestiones como cuántos ingresos hubo, mientras que la ontología se encarga de preguntas como qué es exactamente un cliente.
La capa semántica es la responsable de las métricas. Determina cómo se calculan los ingresos, los usuarios activos mensuales y el valor vitalicio, qué datos se deben utilizar y qué filtros aplicar, para que todos los equipos y herramientas obtengan resultados idénticos.
La ontología se encarga del significado. Establece qué se considera un cliente, cómo los clientes se relacionan con los pedidos, qué hace que alguien sea de nivel Platino y si el software puede extraer conclusiones nuevas a partir de los datos ya almacenados.
Ontología: conceptos, relaciones, razonamiento
La definición clásica, que es una especificación formal explícita de una conceptualización compartida, se reduce a tres partes:
- Clases: los tipos de entidades en el dominio, por ejemplo Cliente, Producto, Pedido, Región.
- Propiedades y relaciones: cómo se conectan esas entidades. Un cliente realiza un pedido, y un producto pertenece a una categoría.
Las ontologías se escriben según estándares W3C como RDF y OWL, de modo que las máquinas pueden razonar sobre ellas además de leerlas. Supongamos que la ontología indica que un cliente de nivel Platinum tiene unos ingresos anuales superiores a 1 millón y que los datos indican que Acme genera 2 millones. El motor llega por sí mismo a la conclusión de que Acme es de nivel Platinum, sin que nadie haya escrito instrucciones tipo if-else. Las capas semánticas y las herramientas de BI no pueden hacer esto; solo realizan cálculos definidos de antemano y nunca deducen un hecho que no esté previamente definido.
Las ontologías también conectan los vocabularios entre sistemas. Un CRM utiliza la palabra Cliente, un ERP dice Cliente, el área financiera habla de Cuenta, y la ontología las relaciona todas con un único objeto de negocio. Un agente basado de esta manera sigue un grafo conectado en lugar de adivinar entre tablas desconectadas. En el sector sanitario, SNOMED CT es la instancia estándar; en los servicios financieros, FIBO; y en los sectores regulados, una ontología formal es casi obligatoria.
El precio también es evidente. Palantir convirtió la ontología empresarial en una categoría de mercado, pero su implementación es compleja: se requieren ingenieros especializados, modelado manual, entre seis y dieciocho meses para desarrollarla por completo, y hay escasez de profesionales en lógica formal.
Capa semántica: métricas y cifras que coinciden
Este tipo de trabajo es el más práctico. Ya en la década de 1990, Business Objects introdujo Universe, una forma de presentar el vocabulario empresarial frente a esquemas complicados. El problema subyacente persiste: los ingresos se calculan de diferentes maneras, las cifras chocan y la confianza disminuye. Hoy en día las consecuencias son aún mayores, ya que una discrepancia solía generar un gráfico poco claro, pero ahora puede dar lugar a un número inventado en un informe que influye en las decisiones.
Una capa semántica moderna consta de cuatro partes:
- Un repositorio de metadatos, que relaciona elementos como mrr_calc_v3 con los ingresos recurrentes mensuales.
- Un motor de lógica empresarial, que almacena las fórmulas de las métricas en un único lugar para que se definan una vez y se reutilicen.
- La traducción de consultas, que genera uniones y filtros.
- El control de acceso, que aplica permisos a nivel de fila y columna de manera consistente.
La evolución de las herramientas es muy rápida. dbt incorporó una Capa Semántica impulsada por MetricFlow, la cual mantiene las definiciones de métricas en formato YAML bajo control de versiones y las compila a varios estilos de SQL. En septiembre de 2025, Snowflake, Salesforce, dbt Labs y BlackRock iniciaron el proyecto Open Semantic Interchange (OSI); su versión 1.0, lanzada en enero de 2026, proporcionó un formato neutral para intercambiar metadatos semánticos. Productos como Cube, AtScale, LookML, DAX, Databricks Metric Views y Snowflake Semantic Views apuntan todos en la misma dirección: la capa semántica se está convirtiendo en una infraestructura básica para stacks de datos listos para la inteligencia artificial.
No obstante, existe un límite. La capa puede indicar con precisión cómo se calculan los ingresos, pero no cómo un cliente se conecta a un mercado y sus regulaciones, ni si una cuenta merece una marca de alto riesgo según las reglas del dominio. Jessica Talisman, en su artículo de Metadata Weekly, lo expresó de manera clara: las capas semánticas se encargan de las búsquedas, mientras que las ontologías se ocupan del contexto y el razonamiento.
Qué falla con solo una
- La capa semántica por sí sola proporciona respuestas precisas, pero superficiales. ¿Qué canal generó el mayor GMV el mes pasado? Se obtiene una respuesta exacta. ¿Por qué disminuyó, o debería aumentar el gasto? Silencio, ya que nada modela cómo se relacionan los canales, el gasto y los perfiles de los clientes.
- La ontología por sí sola explica bien los conceptos, pero falla con las figuras. ¿Es Acme Platinum? Razonamiento sólido. ¿Qué trajo Acme el mes pasado? Nuevamente tres respuestas contradictorias, ya que el sistema carece de cualquier referencia a la tabla de hechos o a la regla de agregación.
Las cifras del sector coinciden. Gartner predice que más del 40% de los proyectos de IA basada en agentes serán descartados para finales de 2027 debido a los costos, al valor vago y a los controles inadecuados. Entre los 248 líderes en gestión de datos encuestados, el 63% admitió carecer de las prácticas necesarias para respaldar la IA. Rara vez el modelo es el culpable; los datos subyacentes no tienen un fundamento semántico.
El impulso también va en la dirección opuesta. La previsión de la cumbre de Gartner para 2026 indica que para 2030 los niveles semánticos universales se integrarán en las plataformas de datos y la ciberseguridad como infraestructura crítica, mientras que Futurum estima que su adopción aumentará del 16% este año al 30% en 2031. Microsoft está presentando de forma preliminar soporte integrado para ontologías en Fabric IQ, mientras que Timbr.ai vende niveles semánticos con capacidad de razonamiento añadida. Ambos enfoques se están acercando el uno al otro.
Gráficos de conocimiento y taxonomías
Un gráfico de conocimiento almacena las instancias, por lo que los clientes y pedidos reales aparecen como nodos. Piense en la ontología como el esquema y en el gráfico de conocimiento como los datos en sí. Un agente que sigue las relaciones en tiempo de ejecución se mueve a través de ese gráfico.
Una taxonomía es una ontología simplificada: jerarquías de elementos padre e hijo, sin inferencias ni enlaces laterales. Los catálogos de productos, la clasificación de dominios de datos y el etiquetado de PII suelen comenzar aquí, y eso es un buen punto de partida. Una ontología completa solo se vuelve necesaria cuando un agente debe razonar entre categorías, como al preguntarse si una degradación en la categoría A afecta las existencias en la categoría B.
Cómo encajan las piezas
La capa de contexto tiene dos partes:
- Contexto de datos: ontología, capa semántica, grafo de conocimiento, línea de ascendencia, puntuaciones de calidad y política de acceso. Indica a la IA en qué tipo de negocio opera.
- Contexto de la aplicación: preferencias del usuario, historial de conversaciones, documentos del dominio y hechos recuperados (memoria más RAG). Indica a la IA con quién está hablando.
Una sola pregunta pasa por cuatro etapas:
- La ontología define un concepto como el reconocimiento de ingresos, junto con sus reglas asociadas.
- La capa semántica lo convierte en operaciones computacionales: qué tablas unir y cómo agregar los datos.
- El grafo de conocimiento vincula el concepto con sus métricas, su origen y los consumidores finales.
- MCP proporciona el contexto al agente en el momento de la inferencia.
Aquí convergen dos años de discusiones sobre ingeniería de contexto: para obtener resultados fiables se necesita un contexto estructurado, y las ontologías junto con las capas semánticas son las dos partes más difíciles. MCP soluciona el problema de la entrega, no el del contenido. Si se le da a un agente tablas sin regulaciones y código SQL, el protocolo transmitirá fielmente una información errónea.
El enfoque de un proveedor
Un proveedor de bases de datos describe su solución como una pila semántica abierta, también llamada OSI, que combina métricas, definiciones, datos en bruto, un grafo de contexto y una ontología en lugar de otro nivel semántico de BI. Cuenta con tres capas:
- En la parte inferior, la capa semántica: definiciones de métricas, reglas de cálculo y mapeos de dimensiones a datos. Se basa en el estándar Ant-OSI, funciona con el OSI del sector y ya se utiliza en producción en Ant Group.
- El grafo de contexto en el medio: métricas, objetos, eventos, linajes y consumidores conectados en forma de red, sobre los cuales un LLM puede razonar de manera significativamente mejor que con esquemas en bruto o YAML.
- La capa de ontología en la parte superior: semántica empresarial alineada con la semántica de la base de datos, con términos locales al espacio de trabajo y conceptos a nivel empresarial vinculados, evolucionando según sus propios plazos.
El principio subyacente es semántico como el código. Defina la semántica una vez y luego permita que las herramientas de BI creen paneles de control, que los agentes escriban SQL y que las herramientas de gobernanza rastreen la línea de ascendencia, todo basado en la misma definición, sin semánticas separadas para BI, IA y gobernanza. En las pruebas con clientes de dicho proveedor, la precisión en la conversión de lenguaje natural a datos superó con creces a las alternativas. La afirmación es que los modelos no diferencian a los productos, ya que todos denominan de la misma manera a los LLMs; lo que realmente marca la diferencia es la calidad del contexto semántico. Proporcionar definiciones empresariales correctas en lugar de tablas en bruto mejora la precisión en la conversión de lenguaje natural a SQL más que el ajuste de prompts.
Por dónde empezar
Comience con la capa semántica cuando:
- Los equipos no están de acuerdo sobre qué significa ingresos o usuarios activos.
- El proyecto se trata de análisis conversacional o chat con datos.
- La pila de datos ya está centralizada y se esperan resultados en un plazo de dos a seis meses.
Comience con la ontología cuando:
- La organización opera en el sector financiero, sanitario o gubernamental, con estrictas exigencias de cumplimiento.
- La IA debe razonar entre diferentes dominios, como cliente, producto o regulación.
- Un mismo concepto tiene nombres diferentes en media docena de sistemas.
- Se necesita una clasificación automatizada o detección de anomalías basada en reglas.
Para la mayoría de las empresas, el orden práctico es:
- Construir primero la capa semántica, centralizando las métricas clave para que el BI y la IA utilicen definiciones idénticas.
- Mantener la ontología sencilla al principio, como un glosario empresarial y no como un esfuerzo completo basado en OWL.
- Agregar indicadores de gobernanza: línea de origen, calificaciones de calidad, responsables y certificaciones.
- Exponer todo ello a los agentes a través de MCP, lo que convierte la capa de contexto de un diagrama en infraestructura.
dbt no proporcionará una ontología, y una ontología al estilo Palantir no es adecuada para todos los equipos. Evolucionar desde un glosario hacia una ontología formal es mucho más realista que intentar lograrlo todo de una sola vez.
La propia hoja de ruta del proveedor muestra el mismo enfoque gradual. A corto plazo, la capa semántica llegará a cada espacio de trabajo, con métricas gestionadas centralmente y terminología buscable. A medio plazo, los glosarios, las jerarquías de categorías y las relaciones entre entidades aparecerán primero como una taxonomía, para luego adquirir alineación entre sistemas y capacidad de razonamiento básico, expandiéndose dominio por dominio. La pregunta a largo plazo es qué ocurre cuando los dominios que modelaron sus semánticas por separado deben fusionarlas, y cómo mantener que las definiciones locales y globales sigan evolucionando.
Leer más
- Por qué los agentes de IA necesitan una capa de gobernanza, y no solo mejores promptes — Los promptes determinan un único intercambio, no todo un flujo de trabajo. Cómo una capa de gobernanza formada por reglas, contexto delimitado, límites de autoridad y prueba de finalización hace que los agentes de programación sean fiables.
- Por qué la memoria de un agente de programación debe contener solo la información adicional, y cómo almacenarla — La memoria del agente debería registrar únicamente lo que el modelo no pudo adivinar. Cuatro pruebas para cada entrada, tres requisitos para el almacenamiento, y por qué el formato markdown en git es adecuado.