Ontología vs taxonomía vs knowledge graph vs capa semántica: en qué se diferencian y cuál necesitas

El problemaCada proveedor te vende un término distinto y no sabes si necesitas una taxonomía, una ontología o un knowledge graph.

Llevas tres reuniones con proveedores esta semana. Uno te ofrece un catálogo de datos con taxonomía. Otro, una capa semántica. El tercero dice que lo que necesitas es un knowledge graph con ontología. Los tres prometen que tus agentes de IA por fin van a entender tu negocio. Y tú sigues sin saber si hablan de lo mismo. La confusión de ontología vs taxonomía (y de todos los términos vecinos) es real, y cuesta caro: se compra la herramienta antes de entender el problema.

La buena noticia es que no son alternativas que compiten. Son niveles. Cada uno agrega una capacidad al anterior, y entender esa escalera te dice exactamente qué te falta.

La escalera del significado

Piensa en cinco niveles. Cada uno contiene al anterior y le suma algo. La columna de la derecha es la que importa: qué preguntas puede responder una persona o una IA cuando llegas a ese nivel.

Lo que muestra el diagrama es que las preguntas valiosas para un agente, como "¿puedo liberar este pedido y quién lo aprueba?", solo aparecen arriba. Un glosario no basta para operar; sirve para alinear personas.

Glosario, taxonomía y tesauro: ordenar las palabras

Glosario. Una lista de términos con definición acordada. Parece poco, pero es donde empieza todo: si "cliente activo" no tiene definición escrita, ninguna tecnología arriba lo arregla.

Taxonomía. Ordena los conceptos en una jerarquía de "es un tipo de". Cliente corporativo es un tipo de cliente; gobierno es un tipo de cliente corporativo. Las taxonomías son buenas para clasificar documentos, productos o tickets y para filtrar reportes.

Tesauro. Agrega sinónimos y términos relacionados: "cuenta" en el CRM, "account" en la herramienta de marketing y "cliente" en el ERP apuntan al mismo concepto. Es lo mínimo para que un buscador interno o un agente encuentre lo que buscas aunque uses otra palabra.

Los tres trabajan con palabras. Ninguno dice cómo se conecta un cliente con un pedido, ni qué reglas aplican. Para eso hace falta el siguiente nivel.

Ontología: relaciones, reglas y acciones

Una ontología agrega lo que una taxonomía no puede expresar:

• Relaciones de cualquier tipo, no solo jerarquías: cliente realiza pedido, pedido genera factura, contrato cubre servicio.
• Reglas: un pedido pertenece a un solo cliente; una factura vence a los 30 días si el contrato no dice otra cosa.
• Acciones con permisos: liberar crédito, emitir nota de crédito, escalar un ticket; quién puede hacerlo y con qué condiciones.

Existen estándares abiertos del W3C para escribirlas, como RDF, OWL y SKOS (este último pensado justo para taxonomías y tesauros). No necesitas dominarlos para empezar, pero conviene que tu ontología pueda exportarse en un formato estándar para no quedar atado a un proveedor. Si quieres el concepto completo, está en qué es una ontología empresarial.

Knowledge graph: la ontología con tus datos

Aquí está la confusión más común. La ontología es el modelo: existen clientes, pedidos y facturas, y así se relacionan. El knowledge graph es el modelo lleno con datos reales: Grupo Norte realizó el pedido P-881, que generó la factura F-2207 (ejemplo ilustrativo).

Un knowledge graph sin ontología es un montón de nodos sin reglas. Una ontología sin datos es un plano sin edificio. En la práctica, cuando un proveedor dice "knowledge graph", pregunta qué ontología hay detrás y quién la mantiene.

¿Importa para la IA? Hay evidencia de que sí. En un benchmark de 2023, Sequeda, Allemang y Jacob compararon a GPT-4 respondiendo preguntas de negocio sobre una base de datos de seguros. Consultando las tablas SQL directamente acertó 16,7% de las veces; consultando un knowledge graph de los mismos datos, 54,2%. Es un solo estudio y tu caso puede variar, pero la dirección es clara: el significado explícito ayuda al modelo.

Capa semántica: dónde encaja

La capa semántica (semantic layer) vive en el mundo de la analítica. Define cómo se calcula cada métrica para que "ingreso neto" o "margen bruto" den lo mismo en cualquier tablero.

No compiten. Una empresa madura suele tener capa semántica para sus métricas y ontología para el significado y las acciones, y las dos apuntan a los mismos datos.

Cuál necesitas según tu situación

• Tus reportes no cuadran entre áreas. Empieza por glosario y capa semántica.
• Tu buscador interno o tu agente no encuentran documentos. Taxonomía y tesauro.
• Quieres agentes que respondan preguntas que cruzan CRM, ERP y soporte. Necesitas ontología y knowledge graph.
• Quieres agentes que actúen, no solo que respondan. Necesitas una ontología con acciones y permisos, conectada a la aprobación humana por rol.

Ejemplo ilustrativo: una aseguradora que eligió por las preguntas

Una aseguradora mediana quiere un agente que ayude a sus ajustadores. Es un ejemplo ilustrativo, no un cliente real. Antes de hablar con proveedores, escribe sus preguntas:

• "¿Qué pólizas de este asegurado cubren daños por agua?" necesita relaciones entre asegurado, póliza y cobertura: ontología.
• "Muéstrame los siniestros de tipo incendio" se resuelve con una taxonomía de siniestros.
• "¿Cuál fue la siniestralidad del trimestre?" es una métrica: capa semántica.
• "¿Puedo autorizar este pago y quién debe firmarlo?" necesita reglas y acciones con permisos: ontología.

Con esa lista, la decisión se ordena sola: reutiliza la capa semántica que ya tenía el área de analítica, agrega una taxonomía de siniestros y construye una ontología mínima para pólizas, coberturas y pagos. Compra menos y entrega antes.

Errores comunes

• Comprar un knowledge graph sin ontología. Terminas con datos conectados que nadie sabe interpretar.
• Llamar ontología a una taxonomía. Si solo tienes jerarquías, tu agente podrá clasificar, pero no razonar sobre relaciones ni reglas.
• Separar métricas y significado en equipos que no se hablan. La capa semántica y la ontología deben compartir definiciones.
• Elegir por la herramienta y no por las preguntas. El nivel que necesitas lo deciden las preguntas que quieres responder.

Qué hacer el lunes

Toma las cinco preguntas que más te gustaría que respondiera un agente de IA. Ubica cada una en la escalera: ¿basta un glosario o necesita relaciones y reglas? Si la mayoría cae arriba, tu siguiente paso es una ontología mínima, y el método está en cómo construir la ontología de tu empresa.

En Addabra te ayudamos a decidir qué nivel necesitas y a construirlo sin comprar herramientas de más: definimos la ontología con tus equipos, la conectamos a tus sistemas y la dejamos lista para tus agentes. Puedes ver el enfoque en nuestro servicio de gobierno de datos para IA.

ontologíaknowledge graphcapa semánticadatos