Ingeniería de grafos de conocimiento y ontologías de dominio

Tu IA no puede razonar sobre lo que no sabe

La búsqueda vectorial encuentra cosas que suenan parecidas. Los grafos de conocimiento encuentran cosas que son verdaderas. Esa distinción es la diferencia entre un sistema de IA que adivina y uno que razona.

Los estudios de referencia clínicos lo demuestran de forma concreta: los LLM fundamentados en grafos de conocimiento estructurados por ontologías redujeron las tasas de alucinación de un 63 % a un 1,7 %, mientras que la recuperación basada únicamente en vectores se estanca en torno al 70 % de precisión en tareas de conocimiento complejas, frente a más del 85 % de los enfoques híbridos de vectores más grafo (consulta nuestra investigación sobre IA fundamentada en el ámbito sanitario).

La mayoría de los equipos que intentan construir grafos de conocimiento acaban con algo completamente distinto: un grafo de propiedades etiquetadas en Neo4j sin semántica formal, sin capacidad de inferencia y sin seguimiento de la procedencia. Eso es una base de datos, no un grafo de conocimiento. Funciona hasta que necesitas responder preguntas que los diseñadores del esquema no anticiparon, rastrear una salida de la IA hasta los hechos que la originaron, o hacer evolucionar tu modelo de dominio sin romper a todos los consumidores posteriores.

Nuestro enfoque consiste en construir la versión real: ontologías formales con inferencia, infraestructura de grafos de producción con procedencia a nivel de tripleta y marcos de mantenimiento diseñados para mantener el conocimiento actualizado cuando tu dominio inevitablemente cambie.

Grafo de propiedades, almacén de tripletas RDF o ambos: cómo elegir la arquitectura adecuada

El debate Neo4j frente a RDF consume más ciclos de ingeniería de los que debería, normalmente porque la decisión se toma antes de comprender los requisitos.

El beneficio de RDF es el razonamiento automatizado: declara que todo fármaco que interactúe con un inhibidor de la MAO está contraindicado para pacientes que toman ISRS, y el razonador infiere cada contraindicación específica sin enumeración manual.

Nuestro enfoque favorece los sistemas híbridos en los que la ontología formal reside en un almacén RDF para el razonamiento y el cumplimiento, mientras que un grafo de propiedades gestiona las consultas de recorrido, con una capa de sincronización que los mantiene coherentes. Añade incrustaciones vectoriales (TransE, CompGCN o redes neuronales de grafos) para la similitud semántica y obtendrás un sistema de recuperación que gestiona coincidencias exactas, inferencia lógica y similitud difusa en una sola canalización.

Ingeniería de ontologías: la parte que todo el mundo subestima

Comprar una base de datos de grafos es fácil. Construir la ontología que la hace útil es donde los proyectos se atascan. Una ontología de dominio es una especificación formal de qué existe en tu dominio, cómo se relacionan las cosas y qué restricciones rigen esas relaciones.

Hacerlo bien requiere dos tipos de experiencia que rara vez coexisten: un profundo conocimiento del dominio (lo que un especialista en regulación farmacéutica sabe sobre las clasificaciones de sustancias IDMP) y competencias en representación formal del conocimiento (cómo expresar ese conocimiento en OWL 2 DL sin crear cuellos de botella de razonamiento), detallado en nuestro whitepaper sobre IA neurosimbólica en un dominio clínico regulado.

Empieza por las preguntas de competencia

Nuestro proceso de ingeniería de ontologías comienza con preguntas de competencia: las consultas específicas que el grafo de conocimiento debe ser capaz de responder. No requisitos vagos como «apoyar el análisis de seguridad de los fármacos», sino precisos como «dada la lista de medicación de un paciente y una nueva prescripción, identificar todas las contraindicaciones transitivas a través de interacciones en las vías metabólicas en menos de 200 milisegundos». Estas preguntas de competencia guían cada decisión de modelado y se convierten en el conjunto de pruebas de regresión para la evolución de la ontología.

Elegir el formalismo adecuado

Elegimos el formalismo adecuado para cada tarea:

• OWL 2 DL — dominios que requieren razonamiento completo de lógica de descripción (farmacéutico, jurídico, regulatorio).
• OWL 2 EL — ontologías grandes en las que importa una clasificación tratable (SNOMED CT tiene más de 350 000 conceptos y funciona bien en EL).
• SKOS — taxonomías y vocabularios controlados donde necesitas jerarquía y etiquetas, pero no inferencia lógica.
• SHACL — restricciones para reglas de validación de datos que conviven junto a la ontología.

La mayoría de los sistemas de producción usan varios formalismos combinados, y saber cuál aplicar en cada caso es una parte importante de lo que aporta un proyecto.

Resolución de entidades: el multiplicador de presupuesto de 3x que nadie planifica

Antes de que un grafo de conocimiento pueda razonar sobre tus datos, esos datos deben estar limpios, deduplicados y enlazados. La resolución de entidades —determinar que «JPMorgan Chase», «JP Morgan», «JPMC» y «J.P. Morgan Chase & Co.» son la misma entidad— parece sencilla y es genuinamente difícil a escala empresarial.

La dificultad se multiplica con fuentes heterogéneas. Fusionar conocimiento de 10 a 15 sistemas de origen distintos implica lidiar con esquemas en conflicto, distintas convenciones de identificadores, calidad de datos variable e incoherencias temporales (un sistema dice que la empresa fue adquirida en el tercer trimestre, otro dice que en el cuarto). Los equipos subestiman rutinariamente el coste de la resolución de entidades en de 3 a 5 veces.

Diseñamos canalizaciones de resolución de entidades que combinan la coincidencia basada en reglas, modelos de similitud aprendidos y verificación con intervención humana para los casos límite. La canalización está diseñada para generar un grafo de entidades canónico con enlaces de procedencia hasta cada registro de origen, de modo que siempre puedas rastrear por qué se fusionaron o se mantuvieron separados dos registros.

Esta cadena de procedencia se vuelve crítica para la trazabilidad regulatoria en marcos como la Ley de IA de la UE, donde los artículos 12 y 13 exigen que demuestres el linaje de los datos que alimentan los sistemas de IA de alto riesgo.

Por qué fracasan los proyectos de grafos de conocimiento (y cómo evitarlo)

El patrón de fracaso del sector está bien documentado: el 95 % de los pilotos empresariales de IA generativa fracasan, y los proyectos de grafos de conocimiento tienen sus propios modos de fallo específicos.

1. La trampa de la prueba de concepto. Una pequeña prueba de concepto tiene éxito con un conjunto de datos depurado y un esquema sencillo, así que la dirección da luz verde a la construcción completa. Entonces el equipo descubre que los datos reales son 10 veces más caóticos, que la ontología necesita 50 veces más conceptos y que los patrones de consulta para los que optimizaron cubren apenas el 30 % de los casos de uso reales. Nuestro enfoque dimensiona los proyectos en torno a muestras de datos de producción y cargas de trabajo de consultas reales desde el primer día.
2. Sobreaxiomatización. Los ingenieros de ontologías con formación académica añaden todos los axiomas y restricciones posibles, y el razonador pasa de segundos a horas en bases de conocimiento modestas. Perfilamos el rendimiento del razonador de forma temprana y continua, aplicando el principio de axiomatización mínima: añadir restricciones solo cuando sirven a una pregunta de competencia específica.
3. Deriva de la ontología. El grafo de conocimiento se lanza, funciona bien y luego se degrada lentamente a medida que el dominio evoluciona: SNOMED CT publica actualizaciones trimestrales, las taxonomías regulatorias cambian, surgen nuevas categorías de producto y nadie se encarga del mantenimiento. Un proyecto se dimensiona para producir marcos de mantenimiento de ontologías con detección de cambios, análisis de impacto y pruebas de regresión, validando cada nuevo concepto o relación frente al conjunto completo de preguntas de competencia antes del despliegue.
4. Sin responsabilidad ejecutiva. Los grafos de conocimiento son infraestructura: habilitan capacidades de IA posteriores, pero no producen funcionalidades visibles por sí mismos. Sin un patrocinio ejecutivo que conecte la calidad del grafo con los resultados de negocio (menos alucinaciones, cumplimiento más rápido, mejor detección de interacciones farmacológicas), el proyecto pierde financiación en el segundo año. Ayudamos a los equipos a construir el caso de negocio con métricas concretas ligadas a sus casos de uso específicos.

Conectar los grafos de conocimiento con los LLM, RAG e IA agéntica

El GraphRAG de Microsoft (y su variante de coste reducido LazyGraphRAG, que reduce los costes de extracción al 0,1 % del original) demostró que la recuperación estructurada en grafos supera a la basada solo en vectores en consultas complejas de múltiples saltos. Pero el GraphRAG en producción es más difícil de lo que sugieren los artículos: la detección de comunidades crea artefactos de recuperación, las canalizaciones de extracción necesitan un ajuste específico del dominio y no hay seguimiento de la procedencia incorporado.

Diseñamos una recuperación fundamentada en el grafo de conocimiento en la que cada hecho recuperado lleva su tripleta de origen, su puntuación de confianza y su validez temporal. Cuando el LLM genera una afirmación, el sistema la verifica frente al grafo y cita las tripletas específicas que la respaldan o la contradicen (consulta una demostración funcional de la verificación de citas frente al grafo). Con el RAG vectorial, «el modelo encontró un pasaje similar» es la atribución más sólida que obtienes.

Los grafos de conocimiento como herramientas accesibles para agentes

Para las arquitecturas de IA agéntica, los grafos de conocimiento sirven como fuentes de conocimiento accesibles mediante herramientas. Neo4j lanzó una capa de conocimiento para sistemas agénticos en Google Cloud en abril de 2026, y la adopción del Model Context Protocol (MCP) se está acelerando como el estándar de conexión entre agentes y conocimiento.

Nuestro enfoque consiste en construir grafos de conocimiento consultables por agentes desde el primer día: endpoints SPARQL, API estructuradas o interfaces compatibles con MCP que permiten a los agentes de IA acceder al conocimiento del dominio como una llamada a una herramienta en lugar de como una inyección de prompt, un enfoque detallado en nuestra investigación sobre el cortafuegos de responsabilidad para agentes de IA empresariales.

Qué entregamos

Cada proyecto se dimensiona según tu dominio, tu panorama de datos y tus requisitos de IA posteriores. Los entregables incluyen:

• Una ontología de dominio formal (OWL, totalmente anotada) validada por razonadores automatizados.
• El grafo de conocimiento poblado con canalizaciones de ingesta para fuentes estructuradas y no estructuradas.
• Servicios de resolución de entidades con procedencia completa.
• Definiciones de restricciones SHACL para la validación de datos.
• Un conjunto de pruebas de preguntas de competencia (patrones SPARQL o Cypher) como pruebas de regresión para la evolución de la ontología.
• Interfaces de integración para RAG, fundamentación de LLM o acceso de IA agéntica como herramienta.
• Un marco de mantenimiento de ontologías con detección de cambios y despliegue versionado.

También ofrecemos una evaluación honesta de dónde un enfoque más sencillo te serviría igual de bien.