El problema no son los datos
Hay una escena que se repite cada vez más en mis conversaciones con clientes. La empresa ya tiene su piloto de IA, el agente responde rápido y con buena redacción, y en el primer comité alguien pregunta de dónde sale la cifra de clientes activos. Finanzas tiene una, ventas otra y el agente una tercera.
Y no es nuevo. ¿Quién no ha estado en una reunión donde marketing, finanzas y ventas llegan con tres cifras distintas de ingresos? Media hora discutiendo qué número es el bueno en lugar de qué hacer con él. El origen es el mismo: nadie ha dejado escrito qué significa cada cosa. La IA no ha creado el problema; lo hace más visible y lo escala.
Durante años eso lo resolvían personas, el analista que sabía qué tabla usar y qué excepción no tocar. Funcionaba porque quien consumía los datos tenía contexto. Un agente que actúa solo no lo tiene, salvo que se lo demos.
Qué es esa capa
Entre los datos (ERP, CRM, data lake, contratos, emails, fuentes externas) y quien los usa falta una capa que diga qué significa cada cosa y cómo se relaciona con el resto. Cada fabricante le pone un nombre distinto, pero en el fondo son tres niveles:
Capa semántica: las definiciones. Margen, cliente activo o churn, calculados una vez y servidos igual a todos.
Ontología: el modelo del negocio. Qué entidades existen (cliente, contrato, póliza, activo), cómo se relacionan y qué reglas las gobiernan.
Knowledge graph: esa ontología con datos reales dentro, también los no estructurados. El contrato en PDF conectado al cliente del CRM y a la incidencia abierta en el ticketing.
Nada de esto es nuevo para quienes llevamos años en datos. Lo nuevo es el consumidor. El modelo semántico de Power BI o el universo de BusinessObjects servían a una herramienta y a personas. Esta capa tiene que servir a todas las herramientas y, sobre todo, a máquinas que razonan y actúan.
Dónde está el mercado
Las ontologías llevan más de veinte años entre la academia y algunos sectores muy concretos. Lo que ha cambiado es que ahora hay alguien que las necesita de verdad, y en poco más de un año todos los grandes se han movido en la misma dirección:
Snowflake, Salesforce, dbt Labs y RelationalAI lanzaron en septiembre de 2025 el Open Semantic Interchange, un estándar abierto para compartir semántica entre herramientas. En enero de 2026 salió la primera versión y se sumaron, entre otros, Databricks y Qlik. En julio de 2026 el proyecto pasó a la Apache Software Foundation como Apache Ossie (en incubación).
Microsoft presentó a finales de 2025 Fabric IQ, una ontología para que los agentes entiendan entidades de negocio y no solo tablas.
Databricks lo construye con las metric views de Unity Catalog. Google ancla los agentes de Looker en su capa semántica y va más allá con la búsqueda vectorial de BigQuery, el Agent Development Kit (ADK) y el protocolo Agent2Agent (A2A) para construir agentes y hacer que colaboren entre sí.
Glean lo aborda desde el no estructurado: su knowledge graph se construye a partir de documentos y actividad, respetando los permisos de cada usuario.
Palantir lleva años vendiendo exactamente esto con otro nombre, y Veezoo (partner de Keyrus) lo planteaba antes de que fuera tendencia: su Knowledge Graph es lo que mantiene definiciones, permisos y reglas coherentes detrás de cada respuesta.
Los analistas van en la misma línea. Gartner publicó en mayo que la falta de semántica provoca agentes imprecisos y gasto desperdiciado, y predice que en 2027 quien la priorice mejorará hasta un 80% la precisión de sus agentes y reducirá hasta un 60% sus costes. BARC dedicó en septiembre un estudio entero al context engineering (con el apoyo de DataHub).
Mi lectura: hay consenso en el qué y ninguno en el cómo. Cada plataforma tiene su versión, el estándar abierto empieza ahora a madurar como proyecto Apache y la portabilidad entre ellas todavía no existe en la práctica.
Cómo lo plantearía yo
Muchos programas de data governance, glosarios de negocio y MDM de la última década se atascaron por lo mismo: querer definir toda la empresa antes de entregar nada. Yo haría lo contrario:
Empezar por una decisión, no por un dominio. Qu é clientes están en riesgo y por qué, qué activos necesitan mantenimiento esta semana. La decisión marca qué entidades y métricas importan.
Definir 20 conceptos, no 2.000. Los que de verdad se discuten en comité, cada uno con un dueño de negocio. La IA puede proponer definiciones; decide una persona.
Meter lo no estructurado desde el primer día. Contratos, emails, tickets. Ahí está el contexto que los dashboards nunca tuvieron.
Ponerlo delante de un agente real. Exponerlo vía MCP o las APIs de la capa semántica, para que el agente consulte las definiciones en lugar de adivinarlas. Si las respuestas no mejoran con la capa, la capa no está bien hecha. No hay mejor test.
Versionarlo y no casarse con nadie. Definiciones con historial de cambios, en un formato que se pueda llevar a otra plataforma.
Los riesgos, que los hay
Lock-in semántico. Migrar datos es caro; migrar el significado del negocio lo es más. Si la ontología vive solo dentro de una plataforma, cambiar de plataforma será reescribirla.
Convertirlo en un proyecto de IT. Las definiciones son decisiones de negocio. Si las toma solo el equipo de datos, nadie las usará.
Que nadie lo mantenga. La carga inicial es la parte fácil. El negocio cambia (productos, tarifas, estructura comercial, adquisiciones) y una capa que no se actualiza envejece en silencio: el agente sigue respondiendo con seguridad sobre una realidad que ya no existe. Antes de empezar hay que tener claro quién es dueño de cada definición, cómo se aprueba un cambio y qué obliga a revisarla. Si la respuesta es "el proyecto", no hay respuesta: los proyectos terminan.
Quedarse en las definiciones. Saber qué es un cliente activo no basta. El agente también necesita las reglas: cuándo se aprueba una excepción, quién puede hacer qué.
Semántica bonita sobre datos malos. La capa no arregla la calidad, la hace más visible. Y un agente con buen contexto y mal dato se equivoca con más confianza.
Hype de nombres. Capa semántica, ontología, context layer, knowledge graph. Conviene preguntar qué hace cada cosa, no cómo se llama.
¿Ahora o esperar?
Entiendo a quien prefiere esperar. El estándar no está maduro, las plataformas cambian cada trimestre y nadie quiere construir dos veces. Para la tecnología, es un argumento razonable. Para el trabajo, no. Acordar qué es un cliente activo, qué es un contrato en riesgo o cómo se calcula el margen real no depende de ningún estándar. Es la parte lenta, la que obliga a sentar a negocio, finanzas y datos en la misma mesa, y la que cualquier herramienta futura va a necesitar. Las plataformas ya empiezan a generar ontologías automáticamente; lo que ninguna hará por ti es decidir cuál de las tres cifras es la buena. Mi recomendación: empezar ahora, en pequeño y sin atarse. Un caso de uso con valor, definiciones portables y un agente que las use desde el primer mes. Quien lo haga en los próximos 12 meses tendrá una IA que entiende su negocio. Quien espere tendrá la misma plataforma que todos y el mismo problema de siempre. Todos vamos a tener acceso a los mismos modelos. La diferencia estará en el contexto que solo tu empresa puede darles.
¿Cómo lo estáis abordando vosotros?
