Ontología para agentes de IA: cómo dejan de adivinar y empiezan a actuar con reglas
Ontología para agentes de IA: cómo resuelve entidades, aplica reglas y limita acciones para que tus agentes respondan bien y actúen con permisos y registro.
El problemaTu agente responde con total seguridad, pero cruza mal los datos y nadie se da cuenta hasta que el cliente reclama.
Jueves, 6 de la tarde. Un ejecutivo de cuenta le pregunta al agente interno si puede liberar el pedido de un cliente importante. El agente responde en dos segundos: "Sí, el pedido está listo para liberarse". El ejecutivo avisa al cliente. Al día siguiente, Finanzas bloquea el envío: había una factura vencida que el agente nunca vio, porque en el ERP el cliente tiene otro número. Nadie programó mal al agente. Simplemente no tenía una ontología para agentes de IA que le dijera qué es un cliente, cómo se conecta con sus facturas y qué regla aplica.
Este es el fallo más caro de los agentes empresariales: no el que dice "no sé", sino el que responde con seguridad algo incorrecto.
Por qué los agentes adivinan
Un modelo de lenguaje es excelente con el lenguaje y no sabe nada de tu empresa. Cuando lo conectas a tus sistemas, tiene que resolver tres problemas que una persona experimentada resuelve sin pensar:
- Identidad. "Grupo Norte" en el CRM, "40122" en el ERP y "G. Norte SA" en soporte son el mismo cliente. El agente no lo sabe.
- Relaciones. El pedido está ligado a una factura, y la factura a un contrato con condiciones de crédito. El agente no sabe qué tablas seguir.
- Reglas y permisos. Una factura vencida bloquea el crédito, y solo Finanzas puede autorizar una excepción. El agente no lo sabe, salvo que alguien lo haya escrito en el prompt, donde se pierde.
Si nada de eso es explícito, el modelo llena los huecos con lo que suena razonable. Por eso el context engineering se volvió una disciplina: lo que el agente sabe depende de lo que le das.
Qué hace la ontología en cada paso del agente
La ontología convierte esas tres cosas implícitas en un modelo que el agente puede consultar. Mira la misma petición, con y sin ontología:
"¿Podemos liberar el pedido de Grupo Norte?"
- Adivina la tablaBusca "Grupo Norte" en el CRM; en el ERP el cliente es 40122 y no lo relaciona.
- Ignora una reglaNo sabe que una factura vencida bloquea el crédito.
- Responde con seguridad"Sí, se puede liberar." La respuesta suena bien y está mal.
- Resuelve la entidadGrupo Norte = Cliente C-40122 en CRM, ERP y soporte.
- Sigue las relacionesPedido P-881 → Factura F-2207, vencida.
- Aplica la reglaCon facturas vencidas no se libera crédito.
- Usa una acción permitidaPropone "solicitar excepción", que aprueba Finanzas.
- Deja registroQué consultó, qué regla aplicó y quién aprobó.
Cada paso del lado derecho corresponde a una pieza de la ontología:
- Resolver la entidad usa las llaves comunes del mapeo: un solo Cliente detrás de tres registros.
- Seguir las relaciones usa los vínculos del modelo: Pedido genera Factura.
- Aplicar la regla usa las reglas declaradas, no instrucciones sueltas en un prompt.
- Usar una acción permitida usa el catálogo de acciones con sus permisos y aprobaciones.
- Dejar registro es posible porque cada paso consultó algo con nombre: qué objeto, qué relación, qué regla.
Hay evidencia de que mejora la precisión
En 2023, Juan Sequeda, Dean Allemang y Bryon Jacob publicaron un benchmark con preguntas de negocio sobre una base de datos empresarial de seguros. GPT-4 respondió bien 16,7% de las preguntas consultando las tablas SQL directamente, y 54,2% cuando consultaba un knowledge graph de los mismos datos con su ontología.
Es un solo benchmark, con un modelo de 2023, y tu resultado dependerá de tus datos. Pero la conclusión coincide con lo que se ve en producción: el significado explícito reduce la adivinanza. Y no es una apuesta aislada: Microsoft presentó en noviembre de 2025 Fabric IQ, con un modelo de ontología pensado precisamente para dar contexto de negocio a los agentes.
Responder no es lo mismo que actuar
La mayoría de las conversaciones sobre ontologías se quedan en mejorar respuestas. El cambio grande llega cuando los agentes empiezan a hacer cosas: liberar un pedido, emitir una nota de crédito, reprogramar una entrega.
Ahí la ontología se vuelve un mecanismo de control. Si cada acción está declarada con sus condiciones y su aprobador, el agente no puede inventar una acción nueva ni saltarse una condición:
| Acción | Quién la ejecuta | Condición | Aprobación |
|---|---|---|---|
| Consultar estado de pedido | Agente | Ninguna | No requiere |
| Solicitar excepción de crédito | Agente | Cliente con factura vencida | Finanzas |
| Liberar crédito | Persona de Finanzas | Cero facturas vencidas o excepción aprobada | Ya es la aprobación |
Esta tabla es la misma lógica de la aprobación humana por rol, pero escrita una sola vez en la ontología y respetada por todos los agentes.
Cómo se conecta en la práctica
Un agente no "lee" la ontología completa en cada conversación. La usa a través de herramientas que llama cuando las necesita:
- Buscar entidad: recibe un nombre o un número y devuelve el objeto correcto con sus identificadores en cada sistema.
- Seguir relación: dado un pedido, devuelve sus facturas, su contrato o sus tickets.
- Consultar regla: devuelve si una condición se cumple y por qué.
- Proponer acción: registra la acción propuesta y la envía a quien debe aprobarla.
Exponer esas herramientas con un estándar como MCP permite que distintos agentes, e incluso distintos modelos, usen la misma ontología con los mismos permisos.
Lo que una ontología no resuelve
Conviene ser honestos con los límites, porque ahí es donde los proyectos se decepcionan:
- Datos sucios. Si el ERP tiene clientes duplicados o facturas mal capturadas, la ontología los conecta igual de mal. La calidad de datos sigue siendo un trabajo aparte.
- Errores del modelo. El agente puede seguir redactando mal o interpretando mal una pregunta ambigua. Por eso se necesitan evals que midan sus respuestas.
- Conocimiento que no está en ningún sistema. Si la regla de crédito vive solo en la cabeza del gerente, primero hay que escribirla.
- Cambios del negocio. Una ontología sin dueños ni versiones envejece rápido y los agentes empiezan a aplicar reglas viejas.
La ontología reduce la adivinanza, pero no sustituye a la calidad de datos, a la evaluación ni al gobierno. Funciona mejor como una pieza del harness completo.
Errores comunes
- Meter las reglas en el prompt. Cada agente termina con su propia versión de la regla y nadie sabe cuál es la buena.
- Dar al agente acceso directo a todas las tablas. Más acceso no es más contexto; es más superficie para adivinar.
- Modelar solo lectura. Si la ontología no incluye acciones, los permisos de los agentes quedan dispersos en el código.
- No registrar qué consultó el agente. Sin ese rastro no puedes explicar una respuesta ni corregirla.
Qué hacer el lunes
Revisa las últimas respuestas equivocadas de tu agente, o las preguntas que tu equipo no se atreve a hacerle. Para cada una, identifica si falló por identidad, por relación o por regla. Esa clasificación te dice qué parte de la ontología construir primero; el método completo está en cómo construir una ontología empresarial.
En Addabra construimos agentes que trabajan sobre la ontología de tu empresa: definimos objetos, relaciones, reglas y acciones con tus equipos, las exponemos como herramientas con permisos y dejamos registro de cada paso. Puedes ver cómo en nuestro servicio de desarrollo de agentes de IA.
Preguntas frecuentes
¿Por qué un agente de IA necesita una ontología si ya tiene acceso a mis datos?
Porque tener acceso no es entender. Sin ontología, el agente adivina qué tabla usar, cómo se relacionan los registros y qué reglas aplican. Con ontología, consulta un modelo explícito del negocio y sus respuestas se pueden explicar y auditar.
¿La ontología reemplaza al RAG o a la búsqueda en documentos?
No, se complementan. La búsqueda en documentos encuentra textos relevantes; la ontología da los objetos, relaciones y reglas para cruzar datos estructurados. Un buen agente usa ambos y la ontología le dice qué documento corresponde a qué cliente o contrato.
¿Cómo se conecta una ontología a un agente de IA?
Normalmente como herramientas que el agente puede llamar: buscar una entidad, seguir una relación, consultar una regla o proponer una acción. Protocolos como MCP facilitan exponer esas herramientas de forma estándar, con permisos y registro.
