Una ontología, en inteligencia artificial y gestión de datos, es un modelo formal que define los conceptos de un dominio, sus propiedades y las relaciones entre ellos, para que personas y sistemas interpreten la información con el mismo significado. Es lo que permite a un agente de IA entender qué quiere decir tu empresa cuando habla de un cliente, un pedido o un riesgo.
Qué es una ontología en datos e inteligencia artificial
El término viene de la filosofía, donde designa la rama que estudia el ser y lo que existe. La informática lo adoptó con un sentido mucho más práctico, y desde los años noventa la inteligencia artificial se interesa por las ontologías como forma de representar conocimiento. La definición clásica en ingeniería del conocimiento las describe como una especificación formal y explícita de una conceptualización compartida.
Traducido a lenguaje de empresa: una ontología pone por escrito, de forma que una máquina pueda leerlo, qué cosas existen en tu negocio y cómo se relacionan. La guía del lenguaje OWL del W3C indica que una ontología puede incluir descripciones de clases, propiedades y sus instancias. En la práctica, se compone de cuatro piezas:
- Clases: los conceptos del dominio. Cliente, Producto, Pedido, Almacén.
- Propiedades: los atributos de cada clase. Un cliente tiene un NIF, un sector y una fecha de alta.
- Relaciones: cómo se conectan las clases. Un cliente realiza pedidos, un pedido contiene productos y un producto se almacena en un almacén.
- Instancias: los casos concretos. Un cliente determinado, un pedido con su número.
A eso se suman reglas que el sistema aplica por sí mismo. Si la ontología establece que toda furgoneta es un vehículo, y sabe que una matrícula concreta corresponde a una furgoneta, deduce que es un vehículo sin que nadie tenga que indicarlo. Esa capacidad de inferencia es lo que separa una ontología de una simple lista de definiciones.
Ontología, taxonomía, modelo de datos y grafo de conocimiento
Son cuatro conceptos que se confunden a menudo en los comités de dirección, y confundirlos lleva a plantear mal el proyecto o a elegir la herramienta equivocada.
datos.gob.es, el portal de datos abiertos del Gobierno de España, ordena los vocabularios de datos por complejidad: desde listas simples, pasando por anillos de sinónimos y taxonomías, hasta tesauros y ontologías, que son los más complejos. Esa escala ayuda a situar cada pieza:
- Taxonomía: una jerarquía. Organiza conceptos en categorías y subcategorías con una sola relación, la de pertenencia. Sirve para clasificar un catálogo de productos o un gestor documental.
- Ontología: añade cualquier tipo de relación, además de propiedades y reglas. No solo dice que una furgoneta es un vehículo: dice que un vehículo se asigna a una ruta, que una ruta pasa por un almacén y que un retraso en ese almacén afecta a los pedidos de la ruta.
- Modelo de datos: describe cómo se almacena la información en una base de datos concreta, con sus tablas y columnas. Responde a una pregunta técnica; la ontología responde a una pregunta de negocio.
- Grafo de conocimiento: son los datos reales conectados siguiendo la estructura de la ontología. La ontología es el plano y el grafo es el edificio construido con tus datos.
La documentación de Microsoft Fabric lo resume en una frase: la ontología declara qué cosas se conectan y por qué, mientras que el grafo almacena y calcula los recorridos entre esas conexiones.
Por qué la ontología ha vuelto: los agentes de IA necesitan contexto
Durante años, las ontologías fueron cosa de universidades, bibliotecas digitales y proyectos de datos abiertos. Lo que las ha devuelto al centro de la conversación empresarial son los agentes de IA.
Un modelo de lenguaje que consulta tus datos sin contexto tiene que adivinar el significado de cada tabla. Si finanzas llama cliente activo a quien ha pagado en los últimos doce meses y marketing a quien ha abierto un correo en los últimos noventa días, el agente no tiene forma de saber qué definición aplicar. Responderá con seguridad y, muy probablemente, con una cifra que nadie en la empresa reconoce como suya.
La ontología resuelve ese problema en origen. Define una sola vez qué es un cliente activo y hace que todos los sistemas, incluidos los agentes de IA, trabajen sobre esa misma definición.
Microsoft ha llevado esta idea al núcleo de su plataforma de datos. Según su documentación oficial, Fabric IQ, todavía en versión preliminar, forma parte de Microsoft IQ junto a Work IQ, Foundry IQ y Web IQ, e incluye un elemento de ontología que representa el vocabulario empresarial y la capa semántica que unifica el significado entre dominios. Microsoft recomienda usarlo cuando se necesita coherencia entre áreas, gobierno y anclaje de los agentes en el contexto del negocio, y precisa que la ontología ancla a los agentes en una semántica y unas reglas de negocio compartidas.
Cuando un proveedor como Microsoft incorpora la ontología como pieza de su arquitectura de IA, el tema deja de ser académico y pasa a ser una decisión de arquitectura.
Ontologías y grafos de conocimiento en la IA generativa: de RAG a GraphRAG
La mayoría de asistentes corporativos funcionan hoy con RAG: antes de responder, el sistema busca fragmentos relevantes en la documentación interna y se los entrega al modelo. Funciona bien cuando la respuesta está en un párrafo concreto. Falla cuando la pregunta exige conectar información repartida en muchos documentos.
Para ese segundo caso, Microsoft Research publicó GraphRAG, que su documentación describe como un enfoque estructurado y jerárquico de RAG, frente a la búsqueda semántica sobre fragmentos de texto plano. El proceso extrae un grafo de conocimiento a partir del texto, organiza las entidades en comunidades, genera resúmenes de cada comunidad y usa esa estructura al responder.
Nuestro criterio: construir y mantener un grafo tiene un coste de extracción, modelado y mantenimiento que no siempre compensa. Tiene sentido cuando las preguntas de negocio dependen de relaciones, como una cadena de suministro, las dependencias entre contratos o el impacto de una incidencia en cascada. Para localizar una cláusula en un manual, un RAG bien diseñado suele ser suficiente.
RDF, OWL y web semántica: los estándares que hay detrás
Las ontologías no son un invento propietario de ningún fabricante. Detrás hay estándares abiertos del W3C, el consorcio que define los estándares de la web.
OWL (Web Ontology Language) es el lenguaje de referencia para escribir ontologías. Su primera versión es recomendación del W3C desde febrero de 2004, y OWL 2 desde octubre de 2009. Se apoya en RDF, el modelo de datos de la web semántica: según el propio W3C, cualquier ontología OWL 2 puede verse también como un grafo RDF.
En España hay ejemplos públicos en funcionamiento. Según datos.gob.es, la iniciativa ciudades-abiertas.es, impulsada por los ayuntamientos de A Coruña, Madrid, Santiago de Compostela y Zaragoza junto a Red.es, genera sus vocabularios, como el de agenda municipal, con OWL. Y el Ontology Engineering Group de la Universidad Politécnica de Madrid trabaja en vocabularios y ontologías desde 1995.
Que tu ontología empresarial se apoye en estándares tiene una consecuencia práctica: no queda atada a una herramienta concreta y puede conectarse con vocabularios que ya existen.
Cómo se construye una ontología empresarial
Construir una ontología es más un trabajo de negocio que de tecnología. El método que recoge el material académico de referencia, como el de la Universitat Politècnica de Catalunya, sigue una secuencia que se mantiene vigente:
- Delimitar el dominio y el propósito. Antes de modelar nada, hay que responder para qué se va a usar la ontología y qué preguntas tiene que poder contestar.
- Reutilizar lo que ya existe. Hay ontologías y vocabularios públicos que cubren buena parte de lo genérico. Empezar desde cero suele ser una pérdida de tiempo.
- Definir las clases y su jerarquía. Los conceptos clave del dominio y cómo se organizan.
- Definir propiedades y relaciones. Qué atributos tiene cada clase y cómo se conecta con las demás.
- Crear las instancias. Vincular la ontología con los datos reales.
Si ya trabajas con modelos semánticos de Power BI, tienes medio camino recorrido: la documentación de Microsoft Fabric contempla generar una ontología a partir de un modelo semántico existente, lo que da un punto de partida basado en definiciones que tu negocio ya usa.
Los errores que más vemos son tres. El primero, intentar modelar toda la empresa de una vez; el propio material de la UPC advierte de que una ontología no necesita incluir todas las clases posibles del dominio. El segundo, dejar el trabajo solo en manos de tecnología: si negocio no valida las definiciones, la ontología acaba describiendo tablas en lugar de describir la empresa. El tercero, tratarla como un documento estático, cuando tiene que versionarse y gobernarse como cualquier otro activo de datos.
Cómo abordamos las ontologías en BertIA
En BertIA tratamos la ontología como la capa que conecta los datos con la inteligencia artificial, no como un proyecto aislado. Empezamos por las preguntas de negocio que usuarios y agentes tienen que poder responder, y a partir de ahí identificamos los conceptos que hoy cada departamento define a su manera.
Como partners de Microsoft y Databricks, partimos de los modelos semánticos y catálogos que muchas empresas ya tienen en marcha, para que la ontología nazca conectada a los datos reales y no como un documento paralelo que nadie mantiene. Puedes ver cómo encaja este trabajo en nuestros servicios de inteligencia artificial.
En conclusión
La ontología ha pasado de los departamentos universitarios al centro de la arquitectura de IA empresarial por una razón práctica: los agentes necesitan saber qué significan los datos antes de razonar sobre ellos. Una ontología bien construida define ese significado una sola vez, lo comparte entre sistemas y equipos, y se apoya en estándares abiertos que evitan depender de una herramienta.
No hace falta modelar toda la empresa para empezar. Hace falta elegir un dominio con impacto, acordar las definiciones con negocio y conectarlas a los datos reales.
Si quieres valorar cómo una ontología puede mejorar las respuestas de tus agentes y la coherencia de tus datos, puedes hablar con nuestro equipo de expertos.
