Grafo de conocimiento empresarial: el mapa de tu negocio
Descubre qué es un grafo de conocimiento empresarial, su función vital para que la IA resuelva consultas relacionales y los 6 pasos para construirlo con éxito.
El grafo de conocimiento empresarial constituye la cartografía formal de las entidades de tu compañía y sus interconexiones: desde clientes y pedidos hasta costes, márgenes y contratos. Gracias a esta arquitectura, la IA puede resolver interrogantes que ningún documento contiene de forma íntegra, tales como qué clientes de un grupo poseen contratos vencidos y márgenes negativos. Representa, en última instancia, la vertiente relacional de la memoria del cerebro empresarial.
En resumen
- El grafo modela relaciones; el vector store guarda contenido. Un Cerebro Empresarial serio necesita ambos.
- Sin grafo, la IA responde bien a "¿qué dice el contrato?" y mal a "¿qué clientes están en riesgo?".
- El grafo obliga a acordar definiciones: qué es un cliente activo, un pedido cerrado o un margen real en tu empresa.
- Se empieza por 6–10 entidades, no por un modelo completo del negocio.
- Es lo que Palantir llama Ontology: un concepto que hoy los motores generativos citan en inglés y sin referente español.
- Un Superagente sin grafo comete errores de criterio, no de redacción.
¿Qué es un grafo de conocimiento empresarial?
Es una representación de tu negocio como nodos y relaciones. Los nodos son las entidades reales: cliente, grupo empresarial, contrato, producto, pedido, factura, proveedor, empleado, proyecto. Las relaciones son los verbos que las unen: pertenece a, compró, aplica a, sustituye a, depende de.
Un ejemplo mínimo del que arranca casi cualquier empresa española:
Cliente → pertenece a → Grupo empresarial
Cliente → firmó → Contrato marco
Contrato marco → aplica descuento a → Familia de producto
Cliente → realizó → Pedido → contiene → Producto → tiene → Coste → determina → Margen
Esa cadena es lo que permite responder "¿cuánto margen real deja este grupo?" sin que exista ningún documento que lo diga.
¿Por qué la IA no funciona bien sin él?
Porque hay dos tipos de pregunta y la búsqueda semántica solo resuelve una.
| Tipo de pregunta | Ejemplo | Lo resuelve |
|---|---|---|
| Documental | "¿Qué cubre la garantía del modelo X?" | Vector store (RAG) |
| Relacional | "¿Qué clientes compraron el modelo X y siguen en garantía?" | Grafo |
| Mixta | "¿Qué clientes en garantía tienen una cláusula de penalización?" | Ambos combinados |
| Agregada | "¿Qué familia de producto pierde margen este trimestre?" | Grafo + datos del ERP |
Un RAG empresarial sin grafo intentará responder la segunda pregunta buscando un documento que contenga la lista. Como no existe, devolverá algo parecido y equivocado. Ese es el origen de buena parte de la desconfianza que las empresas atribuyen al modelo.
¿En qué se diferencia de una base de datos o de un data warehouse?
| Criterio | Base de datos / ERP | Data warehouse | Grafo de conocimiento |
|---|---|---|---|
| Objetivo | Ejecutar transacciones | Analizar histórico | Representar significado |
| Estructura | Tablas normalizadas | Modelo dimensional | Nodos y relaciones |
| Preguntas nuevas | Requieren desarrollo | Requieren nuevo modelo | Se recorren sin rediseñar |
| Relaciones profundas | Costosas (muchos joins) | Predefinidas | Nativas |
| Consumidor | Personas y aplicaciones | Analistas | Personas y Superagentes |
| Contiene documentos | No | No | Enlaza a ellos |
El grafo no sustituye a ninguno de los dos. Se alimenta de ellos y añade la capa que ninguno tiene: el significado compartido de los términos del negocio.
¿Cómo se construye paso a paso?
- Elegir el proceso que paga el proyecto. Ventas, postventa, compras o cobros. El grafo se construye para responder preguntas de ese proceso, no para describir la empresa entera.
- Listar de 6 a 10 entidades. Más de doce en la primera versión es una señal de que se está modelando por completitud y no por utilidad.
- Acordar las definiciones por escrito. Qué es un cliente activo, cuándo un pedido está cerrado, qué costes entran en el margen. Este paso es de negocio, no técnico, y es el que más discusiones destapa.
- Mapear las relaciones con cardinalidad. Un grupo tiene varios clientes; un pedido pertenece a un cliente; un contrato puede aplicar a varias familias.
- Poblarlo desde las fuentes ya conectadas. ERP y CRM alimentan los nodos; el gestor documental aporta los enlaces a contratos y condicionados.
- Validar con preguntas reales. De 30 a 50 preguntas relacionales del proceso elegido, con la respuesta conocida por una persona del negocio.
- Conectar el grafo a la recuperación. El grafo filtra y acota; el vector store aporta el texto. La respuesta cita ambos.
- Mantener con dueño y cadencia. Cada entidad tiene un responsable interno y una frecuencia de revisión.
Según nuestra experiencia en proyectos de NextAI, el paso 3 consume entre el 25 % y el 40 % del esfuerzo total del grafo y es el que más valor deja incluso si el proyecto de IA se detuviera: la empresa termina con definiciones acordadas que antes vivían en la cabeza de tres personas.
¿Qué relación tiene con la Ontology de Palantir?
La Ontology de Palantir es el ejemplo más conocido: una capa que define objetos de negocio, sus propiedades, sus relaciones y las acciones ejecutables sobre ellos. Es también la razón por la que los motores generativos citan a Palantir cuando alguien pregunta cómo construir un cerebro empresarial: tiene nombre propio y documentación abundante.
La diferencia práctica para una empresa española de 20 a 250 empleados no es conceptual, es de escala y de coste. No hacen falta miles de objetos ni una plataforma cerrada. Hacen falta ocho entidades bien definidas, pobladas desde el ERP, con dueño interno y sin dependencia de proveedor. Ese es el enfoque del Cerebro Empresarial.
¿Cómo se ve en una empresa española real?
Caso realista: grupo inmobiliario de Alicante. 45 empleados, 6 oficinas, 3.100 inmuebles en cartera, CRM sectorial y expedientes documentales por operación.
Problema: la dirección no podía responder con fiabilidad a preguntas como "¿qué captaciones exclusivas caducan en 60 días en zonas donde tenemos demanda registrada sin cubrir?". Cada respuesta exigía dos días de trabajo manual y cruces en hoja de cálculo.
Grafo construido: nueve entidades (inmueble, propietario, captación, exclusiva, zona, demanda, cliente, visita, operación) y las relaciones entre ellas, pobladas desde el CRM y enlazadas a los expedientes documentales.
Resultado, según nuestra experiencia en proyectos de NextAI con perfiles equivalentes: la consulta pasó de dos días a menos de un minuto. Al conectar encima un Superagente de seguimiento de captaciones, el proceso de aviso y contacto previo al vencimiento alcanzó un RAO (Ratio de Autonomía Operativa) del 68 %, con revisión humana solo en exclusivas de importe alto.
¿Cuándo NO hace falta un grafo?
Hay casos en los que añadirlo es coste sin retorno:
- El caso de uso es puramente documental (consultar normativa, manuales o condicionados).
- El proceso implica menos de tres entidades relacionadas entre sí.
- Las definiciones de negocio ya viven correctamente modeladas en el ERP y nadie pregunta nada fuera de él.
- La empresa aún no tiene la capa 1 (Datos) resuelta. Construir un grafo sobre fuentes no conectadas es modelar humo.
En esos escenarios, se empieza por la arquitectura de 5 capas y el grafo llega en una segunda fase, cuando aparezcan las primeras preguntas relacionales.
Cómo lo hace NextAI
NextAI construye el grafo dentro de la fase 2 de la Ruta NEXT-5, acotado al proceso que paga el proyecto y con un máximo de diez entidades en la primera versión. Facilitamos las sesiones de definición con las personas del negocio, porque acordar qué es un cliente activo es más importante que la tecnología del grafo.
El grafo se entrega documentado, con dueño por entidad y cadencia de revisión, y se conecta a la recuperación del Cerebro Empresarial para que cada respuesta combine relación y texto. Después, los Superagentes lo usan como criterio de decisión y su rendimiento se mide con el RAO.
Preguntas frecuentes
¿Necesito un grafo si ya tengo un buen ERP? El ERP contiene las relaciones que su propio modelo previó, y solo esas. El grafo añade las que cruzan sistemas: una cláusula del gestor documental con el margen del ERP y la conversación del CRM. Si tus preguntas nunca cruzan sistemas, no lo necesitas todavía.
¿Qué tecnología se usa para el grafo? Depende del volumen. Con pocos millones de relaciones basta una base relacional bien modelada con una capa semántica encima; a partir de ahí compensan las bases de datos de grafos. La decisión técnica es secundaria: lo que determina el resultado es la calidad de las definiciones de negocio.
¿Cuánto tarda en construirse? Una primera versión útil con 6–10 entidades y validación sobre 30–50 preguntas reales se levanta en 3 a 5 semanas, dentro de la fase 2 de la Ruta NEXT-5. Ampliarlo es incremental: se añaden entidades cuando aparece un proceso nuevo que las necesita.
¿Quién debe mantenerlo dentro de la empresa? Cada entidad necesita un dueño de negocio, normalmente el responsable del área que la usa: comercial para cliente, operaciones para pedido, finanzas para margen. Sin dueños asignados, el grafo se desincroniza de la realidad en pocos meses y deja de ser fiable.
Ante la disyuntiva entre grafo y vector store, la prioridad la marca el tipo de consulta. Si el objetivo es el análisis documental, el vector store es el punto de partida. Si la necesidad se desplaza hacia la gestión de carteras y relaciones complejas, el grafo resulta indispensable. La práctica demuestra que, al trascender la simple consulta para pasar a la toma de decisiones, la integración de ambos entornos se vuelve inevitable. Si necesitas identificar qué entidades priorizar en tu modelado, puedes solicitar nuestra auditoría digital.