Las ontologías y los grafos de conocimiento, dos tecnologías que muchos daban por superadas tras la llegada de los grandes modelos de lenguaje (LLM), han vuelto al centro de la conversación sobre agentes de inteligencia artificial. Así lo plantea George Anadiotis, analista y autor del boletín Year of the Graph, en una extensa recopilación publicada en HackerNoon en octubre de 2026, donde reúne opiniones de consultoras, investigadores y fabricantes sobre cómo dar a los agentes un contexto fiable y unos límites claros.
Las claves de la vuelta de las ontologías en 20 segundos
- Un repaso de George Anadiotis en HackerNoon sitúa ontologías y grafos de conocimiento en el centro del debate sobre agentes.
- Gartner, citada por el autor, prevé que más del 50 % de los sistemas de agentes usen grafos de contexto en 2028.
- RDF 1.2, del W3C, está en fase de candidata desde abril.
- Generar ontologías con IA es barato; validarlas, no.
La tesis de fondo es sencilla de enunciar y difícil de ejecutar. Saber qué significan los datos es la base, pero un agente que actúa en una empresa necesita algo más: decidir si una acción está permitida, ejecutarla sin efectos secundarios ambiguos y poder demostrar después qué hizo. Anadiotis recoge la definición de Dan Everett, de la consultora IDC, que divide ese contexto en tres capas: semántica (conceptos y relaciones), estado (transiciones e interacciones) y controles (permisos, prohibiciones y obligaciones). Las ontologías cubren sobre todo la primera y sirven de apoyo a la tercera.
El texto es, en realidad, un boletín de recopilación con decenas de enlaces y varios bloques patrocinados por empresas del sector, así que conviene leerlo como un mapa de opiniones y no como un estudio. Las cifras de mercado y las previsiones que aparecen proceden de terceros y el autor no las verifica.
Qué aportan RDF, OWL y los grafos de propiedades
Buena parte de este debate descansa sobre estándares que tienen años. RDF (Resource Description Framework) es el modelo del W3C para describir datos como tripletas de sujeto, predicado y objeto. Su versión 1.2 avanza: el 7 de abril de 2026 el grupo de trabajo de RDF y SPARQL publicó como Candidate Recommendation los documentos de conceptos y de semántica, e invitó a presentar implementaciones. Entre las novedades figuran los llamados triple terms, que permiten usar una tripleta como objeto de otra (útil para anotar quién afirmó un dato o cuándo), las cadenas con dirección de escritura y un mecanismo para declarar qué versión de RDF usa un conjunto de datos. Todavía no es una recomendación definitiva.
OWL 2, el lenguaje de ontologías del W3C, es una recomendación desde 2012. Define clases, propiedades e individuos con un significado formal, y cualquier ontología OWL 2 puede verse como un grafo RDF. Su interés para los agentes está en el razonamiento: los motores comprueban la consistencia de un modelo, deducen jerarquías y recuperan instancias. Para que eso sea manejable a gran escala, el estándar define tres perfiles (EL, QL y RL) con cálculos de coste polinómico o inferior.
En la industria domina otro modelo, el grafo de propiedades. Neo4j lo describe en su documentación como nodos con etiquetas, relaciones con un tipo y una dirección, y propiedades en forma de pares clave-valor, consultables con el lenguaje Cypher. La base de datos es «schema optional»: se pueden cargar datos sin definir antes un esquema. Esa flexibilidad explica su popularidad y también una crítica que recoge Anadiotis en boca de Francois Vanderseypen: los grafos de propiedades no traen un motor de razonamiento. Anthony Alcaraz lo resume con una distinción que el autor cita en inglés y que, traducida, viene a decir que el esquema es almacenamiento, la ontología es significado y el grafo de conocimiento es una ontología instanciada.
GraphRAG: ventajas medidas y costes que no desaparecen
El uso más visible de los grafos junto a los LLM es GraphRAG, la variante de la generación aumentada por recuperación (RAG) que Microsoft Research presentó en febrero de 2024. El sistema hace que el modelo lea todo el corpus, extraiga entidades y relaciones, construya un grafo, lo agrupe en clústeres jerárquicos y genere resúmenes previos de cada grupo. Según sus autores, el RAG basado solo en vectores tiene problemas para «unir los puntos» entre informaciones dispersas y para responder preguntas globales del tipo «cuáles son los cinco temas principales». En sus pruebas con miles de noticias del conjunto VIINA, GraphRAG ganó en exhaustividad y diversidad. Los propios investigadores calificaron los resultados de iniciales, los midieron con un LLM como juez y reconocieron que la fidelidad a las fuentes quedaba a la par del RAG convencional.
El coste es el otro lado. En noviembre de 2024 Microsoft admitió que la indexación completa de GraphRAG, que usa el LLM para extraer y resumir todo, puede resultar prohibitiva para algunos casos, y presentó LazyGraphRAG, que aplaza el trabajo del modelo hasta el momento de la consulta. La compañía afirma que su indexación cuesta el 0,1 % de la de GraphRAG completo, lo mismo que un RAG vectorial. En noticias.ai ya se explicó cómo GraphRAG mejora la precisión de la recuperación en determinados escenarios.
La recopilación de Anadiotis añade matices. Un libro blanco de Lettria sostiene que GraphRAG compensa cuando hay mucho volumen documental, relaciones densas y errores caros, y que en búsquedas simples solo añade sobrecarga. Investigadores de AWS y Cisco concluyen que las métricas de recuperación exageran el beneficio de las técnicas avanzadas. El National Innovation Centre for Data británico, en cambio, habla de una mejora cercana al 80 % en veracidad frente al RAG vectorial. Maya Natarajan lo resume con una crítica: la mayoría de las implementaciones recuperan bien, pero no razonan.
El cuello de botella pasa a ser la confianza
La parte más interesante del texto aborda una paradoja. Los LLM abaratan la creación de ontologías, pero no su validación. Jessica Talisman advierte de que la mayoría de las organizaciones no está preparada y de que la IA generativa produce jerarquías de clases verosímiles en minutos, mientras que comprobarlas lleva tanto tiempo como construirlas bien. Nicolas Figay va más allá: si crear un modelo semántico cuesta casi cero, no habrá convergencia y el problema será decidir en qué ontología confiar. Tras revisar más de 500 repositorios, Figay detecta que Rust empieza a sustituir a Java en los nuevos motores de razonamiento y que el razonamiento se usa como freno determinista frente a las alucinaciones.
Michael Kerner aporta una lectura histórica: los grafos de conocimiento fracasaron por un problema de mano de obra, no de tecnología, porque exigían una ontología completa antes de extraer nada. Propone dividir la construcción en pasos pequeños asistidos por LLM. En la memoria de los agentes, Dave Bechberger defiende que cada relación guarde dos fechas, cuándo fue cierto el hecho y cuándo lo supo el sistema, y que los datos antiguos se marquen como sustituidos en lugar de borrarse. Otros autores conectan estas ideas con el patrón de las LLM Wiki propuestas por Andrej Karpathy, con ficheros Markdown enriquecidos con metadatos semánticos.
En el plano comercial, el autor cita la previsión de Gartner de que más del 50 % de los sistemas de agentes funcionarán sobre grafos de contexto en 2028, y una estimación de DataM Intelligence que sitúa el mercado mundial de grafos de conocimiento en 1.340 millones de dólares en 2025 y en 19.160 millones en 2035. Son proyecciones de consultoras, no datos de uso, y conviene tratarlas como tales.
Preguntas frecuentes
¿Qué diferencia hay entre una ontología y un grafo de conocimiento?
La ontología define los conceptos, sus relaciones y sus reglas con un significado formal. El grafo de conocimiento es esa ontología poblada con datos concretos, según la distinción que recoge el artículo de HackerNoon.
¿Está ya aprobado RDF 1.2?
No del todo. El W3C publicó el 7 de abril de 2026 los documentos de conceptos y semántica de RDF 1.2 como Candidate Recommendation y abrió la fase de implementaciones, paso previo a la recomendación final.
¿GraphRAG siempre funciona mejor que el RAG con vectores?
No. Microsoft Research mostró ventajas en preguntas globales y en conectar información dispersa, pero la fidelidad fue similar y la indexación completa es cara. En consultas sencillas, varios estudios citados por el autor lo consideran una sobrecarga.
¿Puede la IA generar ontologías automáticamente?
Puede proponerlas con rapidez, pero los expertos citados advierten de que los modelos inventan clases y axiomas, y de que validar el resultado exige casi el mismo esfuerzo que construirlo bien.
Fuentes:
- HackerNoon: Why Knowledge Graphs and Ontologies Are Making a Comeback in the Age of AI (George Anadiotis)
- W3C: implementaciones de RDF 1.2 Concepts y RDF 1.2 Semantics
- W3C: OWL 2 Web Ontology Language Document Overview
- Microsoft Research: GraphRAG: Unlocking LLM discovery on narrative private data
- Microsoft Research: LazyGraphRAG
- Neo4j: Graph database concepts
