Durante los últimos dos años hemos enseñado a las máquinas a encontrar cosas.
Ahora necesitamos enseñarles cómo están conectadas.
Y no es lo mismo.
Piensa en un agente investigando por qué se están averiando determinados equipos de un cliente.
Con RAG puede encontrar:
— Un ticket sobre una pieza defectuosa.
— Un documento del producto.
— Otro sobre un proveedor.
— Un informe de calidad de un lote.
Cuatro fragmentos aparentemente relacionados.
El problema es que luego el modelo tiene que reconstruir la historia.
Y esperar que no se invente ningún puente por el camino.
Un grafo puede representar directamente esto:
ticket → pieza → producto → proveedor → lote → causa raíz
Ya no tienes únicamente información.
Tienes relaciones.
Y esta diferencia puede ser bastante importante para la próxima generación de sistemas de IA.
Un RAG tradicional responde especialmente bien a una pregunta:
¿Qué información se parece a lo que estoy buscando?
Busca documentos o fragmentos semánticamente cercanos y se los entrega al modelo.
Pero muchas preguntas empresariales no dependen únicamente de encontrar un documento.
Dependen de entender cómo se relacionan varias cosas entre sí.
Qué proveedor suministra qué componente.
Qué componente utiliza qué producto.
Qué incidencia afecta a qué cliente.
Qué contrato depende de qué servicio.
Qué persona tomó qué decisión.
Ahí aparece el Knowledge Graph.
En lugar de almacenar únicamente texto, convierte la información en: entidades + relaciones.
Algo aparentemente sencillo que cambia bastante la forma en la que puede razonar un agente.
Pero hay otro tipo de grafo todavía más interesante.
El que describe lo que hace el propio agente.
Muchos agentes actuales funcionan aproximadamente así:
Objetivo → LLM → acción → resultado → LLM → siguiente acción…
Y una gran parte de la decisión sobre qué hacer después permanece dentro del modelo.
Cuando falla aparecen las preguntas, muchas de las cuales no podemos responder.
¿Por qué hizo eso?
¿Por qué eligió esa herramienta?
¿Por qué reintentó?
Una alternativa consiste en sacar parte de esas decisiones fuera del modelo y convertirlas en un grafo explícito.
Planificar → Ejecutar → Validar → Recuperar → Escalar → Completar
Cada nodo representa un estado.
Cada transición tiene una condición.
Y de repente parte del comportamiento del agente deja de ser una caja negra.
Y es que quizá la respuesta a muchos problemas que encontramos, consista en estructurar mejor la inteligencia que ya tenemos.
Knowledge Graphs para estructurar lo que el agente sabe.
Agentic Graphs para estructurar lo que el agente hace.
Uno organiza conocimiento. El otro organiza comportamiento.
Y ambos convierten algo implícito dentro del modelo en algo que podemos ver, inspeccionar y gobernar.
Aquí vuelve a aparecer el harnessing.
Hace unos días hablábamos de esta idea:
Un modelo puede ser extraordinariamente inteligente.
Pero para convertir esa inteligencia en trabajo empresarial necesitas construir alrededor: contexto, herramientas, memoria, permisos, orquestación y controles.
Eso es el harness.
Pues bien.
Los grafos pueden convertirse en una de las estructuras fundamentales de ese arnés.
El Knowledge Graph puede organizar el mundo que conoce el agente.
El Agentic Graph puede limitar el mundo de acciones que puede recorrer.
Dicho de otra manera, el modelo propone y el grafo estructura.
Pero, ojo.
Un grafo también puede equivocarse.
Puede fusionar dos entidades que en realidad eran diferentes.
Pueds perder una relación.
Puede construir una conexión incorrecta.
Puede diseñar un workflow demasiado rígido.
No estamos eliminando los errores.
Los estamos haciendo más visibles.
Y eso, en sistemas empresariales, ya supone una enorme diferencia.
Porque un fallo visible se puede auditar.
Un razonamiento oculto dentro de miles de millones de parámetros es bastante más complicado.
Food for thought
En los últimos años hemos pasado mucho tiempo intentando que la IA encuentre información.
Ahora queremos que pueda comprender relaciones, recorrer procesos y ejecutar acciones.
Y para eso hacen falta estructuras.
Quizá la próxima gran mejora de nuestros sistemas de IA no llegue de otro modelo con más parámetros.
Quizá llegue simplemente de dibujar mejor las líneas que unen los puntos.
🌍 El Eco del Mercado
🇨🇦 Agentes de IA intentaron atacar un archivo público canadiense. Investigadores de Transluce atribuyen a agentes autónomos dos intentos de explotar vulnerabilidades de Library and Archives Canada. El Gobierno canadiense no ha encontrado indicios de que sus sistemas fueran comprometidos y todavía no existe una atribución concluyente.
🔐 El Congreso pregunta si China ha intentado robar los pesos de los modelos. El congresista Ro Khanna solicita a OpenAI, Anthropic, Google, Meta y SpaceXAI información sobre posibles accesos de China y otros adversarios a sus modelos. La petición no aporta pruebas de una sustracción, pero convierte la protección de los pesos en una cuestión de seguridad nacional.
🧠 Google presenta Gemini 4 Argon después de meses de retraso. Google asegura que su nuevo modelo insignia compite con los sistemas más avanzados de OpenAI y Anthropic en programación y ciberseguridad. El acceso inicial estará restringido a determinados socios y todavía no existe una fecha de lanzamiento general.
🏢 La IA produce ahorros, pero continúa atrapada en los proyectos piloto. Una encuesta de BearingPoint señala que casi tres cuartas partes de las empresas obtienen resultados financieros positivos, aunque menos de un tercio ha superado la fase piloto. Los sistemas heredados, la regulación y las dificultades de integración siguen frenando el despliegue a escala.
💰 Broadcom financiará hasta 42.000 millones del gasto de Anthropic. El fabricante ofrece a Anthropic un préstamo convertible para financiar parte de un arrendamiento de capacidad informática valorado en 125.200 millones de dólares. Broadcom se convierte simultáneamente en proveedor, financiador y potencial accionista de uno de sus mayores clientes.
🏦 Wall Street duda de que los chips de Nvidia sean una garantía suficiente. Los bancos reclaman garantías adicionales para financiar proyectos respaldados por GPU y cuestionan que los procesadores conserven valor durante toda la vida de los préstamos. El auge de la IA quiere financiar chips como si fueran aviones, aunque su obsolescencia es mucho más rápida.
🔦 CScale lleva la fibra óptica hasta el interior del servidor. La startup capta 145 millones de dólares, con respaldo de Nvidia e Intel, para sustituir conexiones de cobre por enlaces ópticos entre los chips de los servidores de IA. La propuesta busca mover más datos con menor consumo y sin concentrar tanto calor.
🎭 Hackers chinos se hacen pasar por expertos estadounidenses en IA. Proofpoint identifica una campaña en la que el grupo TA419 suplantó a antiguos responsables estadounidenses para robar credenciales de especialistas en regulación, controles de exportación y estrategia tecnológica. El objetivo parece haber sido conocer cómo se diseña la política de IA, no sustraer directamente los modelos.
🛡️ Thales propone combatir los ciberataques de IA con defensas de IA. El grupo francés reclama mayor inversión en sistemas capaces de detectar y responder automáticamente a ataques asistidos por modelos. La defensa necesita operar a velocidad de máquina, pero sin perder la capacidad de explicar y controlar sus decisiones.
🇨🇳 Tencent alquila a Oracle acceso a 100.000 chips avanzados para acelerar su apuesta por la IA. Según Financial Times, el acuerdo asciende a unos 7.000 millones de dólares durante cinco años y utilizará centros de datos de Oracle en el sudeste asiático. La operación permite a Tencent acceder desde el extranjero a capacidad que no está disponible en China, aunque Oracle y Tencent no la han confirmado públicamente.
Déjame recordarte que si te gusta la tecnología, el podcast de Código Abierto también puede ser una buena opción.
Si algo de lo que has leído te ha removido, dímelo.
Ya sabes que estoy al otro lado si quieres comentar, discrepar o simplemente saludar.
Que nunca te falten ideas, ni ganas de probarlas.
A.
P.D. Si quieres profundizar en esta idea, cuatro lecturas interesantes son:
Linked — Albert-László Barabási. Probablemente mi favorita para esta edición. Explica cómo redes aparentemente distintas —Internet, células, epidemias, organizaciones— comparten propiedades matemáticas. Muy divulgativo.
Six Degrees — Duncan J. Watts. La ciencia de los «seis grados de separación». Parte de redes sociales, pero acaba hablando de epidemias, electricidad, organizaciones y sistemas complejos.
Sync — Steven Strogatz. Fascinante. Cómo luciérnagas, neuronas, marcapasos, planetas o personas pueden sincronizarse. Los nodos importan, pero sobre todo importan las conexiones entre ellos.
The Book of Why — Judea Pearl y Dana Mackenzie. Aquí entramos en grafos causales: no simplemente saber que A y B están relacionados, sino intentar representar si A causa B. Tiene una conexión brutal con el siguiente reto de la IA.
P.D.2. Si después de leer esto sigues pensando que los grafos son algo abstracto, mira el Wi-Fi de tu casa. Un sistema Mesh son varios nodos hablando entre ellos para encontrar el mejor camino. Como Internet. Como tu cerebro. Y, cada vez más, como la IA.