Actualmente las ontologías están viviendo un auténtico resurgimiento. Se espera que resuelvan los retos de acceso a los datos para los agentes de IA, estructurando el conocimiento empresarial existente y haciéndolo realmente utilizable. Junto con los grafos de conocimiento y los grafos de propiedades etiquetados, forman los tres pilares fundamentales del modelado semántico. Sin embargo, mientras que las ontologías definen esquemas y reglas, y los grafos representan relaciones, numerosas implantaciones siguen siendo demasiado complejas y poco prácticas en entornos reales.
En el contexto de la IA, no obstante, estos conceptos suelen reinventarse con un nivel de complejidad excesivo. Se han realizado grandes esfuerzos para desarrollar sofisticados modelos basados en grafos utilizando tecnologías como Web Ontology Language (OWL), Resource Description Framework (RDF) y SPARQL (SPARQL Protocol y RDF Query Language). Aunque estos enfoques cuentan con una sólida base científica, su aplicación práctica fuera de los ámbitos especializados ha sido limitada. Algunas excepciones destacadas son la gestión del ciclo de vida del producto (PLM), el modelado CAD avanzado o el grafo de conocimientos de moda de Zalando.
La ontología pragmática apuesta por un enfoque distinto y menos académico. Se centra en proporcionar un nivel semántico capaz de funcionar de forma fiable en la mayoría de escenarios empresariales reales y de dar soporte tanto a agentes de IA como a usuarios humanos.
Este enfoque elimina complejidades teóricas y técnicas innecesarias y, aun así, permite representar interconexiones, relaciones y la semántica de los datos. De este modo facilita una generación aumentada por ontologías (Ontology-Augmented Generation, OAG) sencilla y eficiente.
La ontología pragmática puede construirse a partir de seis principios.
Las bases de datos relacionales siguen siendo la base de la informática empresarial. Salvo algunas excepciones en casos de uso muy específicos, la mayoría de los sistemas operativos continúan apoyándose en tecnología relacional.
La ontología pragmática se construye sobre la infraestructura informática empresarial existente, utilizando principios objeto-relacionales en lugar de bases de datos de grafos o almacenes RDF. Aunque determinadas consultas multisalto inherentes a la ontología pragmática pueden resultar algo más complejas, este enfoque permite una implantación más ágil, estructuras más claras y una integración más natural con las arquitecturas existentes. Además, las tecnologías objeto-relacionales modernas ya admiten tipos de datos avanzados, como las incrustaciones semánticas. En la práctica, las ventajas operativas superan claramente las limitaciones teóricas.
¿Y qué papel desempeña NoSQL en este contexto? NoSQL puede funcionar como un punto intermedio flexible, aunque con ciertas limitaciones. Aunque hemos conseguido generar valor añadido con bases de datos NoSQL y motores de búsqueda empresariales, cuando se manejan grandes volúmenes de datos y cargas de trabajo altamente interconectadas existen problemas, como las uniones, que reducen su atractivo. Además, con el tiempo suelen aparecer restricciones de esquema derivadas de la lógica de negocio, lo que relativiza la flexibilidad que promete NoSQL. Por ello consideramos que este enfoque ofrece un valor limitado a largo plazo.
La ontología pragmática se ha diseñado para que analistas, ingenieros y usuarios empresariales puedan acceder a ella con la misma facilidad. Conforma la base común sobre la que se construyen paneles de control, informes y aplicaciones. Los objetos, relaciones y definiciones son transparentes y fáciles de localizar, y están organizados de forma intuitiva. Esto genera un entendimiento compartido entre agentes de IA y personas, reduce ambigüedades y refuerza la confianza en los procesos automatizados de toma de decisiones.
La ontología pragmática no es otro lago de datos más y no centraliza la información físicamente. En su lugar, virtualiza los datos a través de sistemas distribuidos y asume que ninguna plataforma individual puede cubrir todos los requisitos. Los datos permanecen en sistemas operativos, bases de datos transaccionales, lagos de datos existentes, lakehouses, almacenes de datos y mallas de datos. La ontología conecta todas estas fuentes para ofrecer una visión semántica unificada sin necesidad de duplicar datos. Esto permite llevar a cabo una implantación gradual y reescribir los datos, debido a que muchas cargas de trabajo basadas en agentes están controladas por OLTP. El almacenamiento en caché o la materialización solo se utilizan cuando son necesarios para fines analíticos, evitando sobrecargar los sistemas de origen y siguiendo un patrón similar a CQRS.
La ontología pragmática funciona como un nivel semántico operativo y accionable, y no únicamente como un directorio descriptivo. Mientras que los catálogos de datos se centran en la documentación de conjuntos de datos, esquemas, flujos de datos y responsabilidades, la ontología pragmática define objetos de dominio y relaciones que pueden ser utilizados directamente por personas y agentes de IA en tiempo de ejecución.
Las relaciones entre objetos se describen en lenguaje natural y no mediante jerarquías formales de clases. El objetivo de esto es la claridad y la facilidad de uso, no la perfección teórica. Al mismo tiempo, se asume que la realidad empresarial es compleja y que no siempre puede representarse mediante un modelo completamente coherente.
Las estructuras de herencia profundas y complejas se evitan deliberadamente, ya que las jerarquías de clases extensas son difíciles de diseñar y mantener. Además, los sistemas de IA ya disponen de un amplio conocimiento semántico gracias al preentrenamiento de los grandes modelos lingüísticos (LLM), debido a lo cual, en muchos escenarios reales ya no hace falta un modelado jerárquico explícito. Al expresar la semántica en lenguaje natural, la ontología pragmática sigue siendo comprensible para las personas e interpretable para la IA.
La ontología pragmática no pretende crear un único modelo universal para todos los datos empresariales. Los grandes modelos monolíticos entidad-relación (ER), diseñados para unificarlo todo, han demostrado repetidamente ser difíciles de manejar en la práctica. Por lo tanto, ahora se apuesta por un enfoque orientado al dominio, según el cual se crean modelos independientes para áreas y objetivos específicos, capaces de coexistir sin necesidad de encajar en un único marco rígido.
La ontología pragmática evoluciona de forma gradual. Se concibe principalmente como una base para casos de uso concretos y no como un ejercicio de exhaustividad abstracta. Los nuevos objetos, relaciones y definiciones se incorporan cuando realmente se necesitan. Este enfoque aditivo acelera la creación de valor y, al mismo tiempo, mantiene la coherencia arquitectónica. Con el tiempo, el nivel semántico crece de manera orgánica: guiado por necesidades reales, validado en la práctica y adaptado continuamente tanto a las personas como a la IA. No se trata de un proyecto informático gigantesco de varios años, sino de una solución que aporta valor paso a paso. Y sí, aunque esto pueda parecer algo caótico, según nuestra experiencia, una dosis saludable de caos suele ser precisamente el factor que marca la diferencia en cuanto al éxito de los casos de uso.
Una posible implantación de estos principios puede materializarse en una arquitectura de cinco niveles, aunque existen otras alternativas. En este modelo multicapa, la arquitectura se compone —de arriba abajo— de los siguientes niveles: L1 – Nivel de interacción, L2 – Nivel de acceso semántico, L3 – Nivel de ontología central, L4 – Nivel de ejecución y L5 – Nivel de fuentes de datos.
Este nivel está orientado principalmente a las personas que interactúan con el sistema. Incluye herramientas de inteligencia empresarial, aplicaciones y notebooks, así como —muy especialmente— vistas estandarizadas, visuales y fáciles de comprender de los objetos vinculados (en sentido estricto, este nivel también puede considerarse un nivel externo a la ontología).
Este nivel actúa como punto de entrada controlado o capa API del sistema. Proporciona datos y operaciones a través de interfaces habituales como SQL, REST, GraphQL y MCP. Además, se ocupa de aspectos de seguridad como la autorización, las comprobaciones de las políticas y la limitación de tasas, garantizando un acceso seguro y controlado. Los accesos de escritura se realizan principalmente mediante servidores MCP o consultas SQL.
Aquí es donde se ancla el significado funcional. Este nivel define objetos de dominio —por ejemplo, clientes, pedidos o incidencias—, describe relaciones en lenguaje natural, conecta estos conceptos con los sistemas fuente subyacentes y determina cómo deben llevarse a cabo los accesos de escritura y las actualizaciones. Actúa, por así decirlo, como traductor entre las intenciones humanas o de la IA y la implantación técnica.
La capa de virtualización y ejecución es donde se realizan las consultas. Se encarga de federar consultas entre múltiples sistemas, utiliza patrones como CQRS, almacenamiento en caché y materialización para optimizar el rendimiento, y dirige las transacciones de forma inteligente según la operación y la fuente de datos correspondiente.
En el nivel inferior se encuentran los sistemas fuente per se, entre los que se incluyen los sistemas operativos (OLTP), los almacenes de datos analíticos, los lagos de datos y las API SaaS externas, REST incluido (en sentido estricto, este nivel también puede considerarse un nivel externo a la ontología).
En general, el flujo de datos es bidireccional: las consultas descienden desde las personas y los agentes de IA hacia los sistemas fuente, mientras que los datos y resultados fluyen hacia arriba.
En resumen, la ontología pragmática es un nivel semántico práctico, objeto-relacional y diseñado tanto para agentes de IA como para personas. Acepta conscientemente ciertos compromisos a favor de la usabilidad, la velocidad y la operatividad. En lugar de apoyarse en complejos modelos basados en grafos, almacenes de datos centralizados o modelos empresariales monolíticos, virtualiza los datos distribuidos en los sistemas existentes y describe las relaciones en lenguaje natural. Sus modelos, basados en dominios y orientados a casos de uso, evolucionan de forma incremental, permitiendo implantaciones más rápidas y un valor medible desde el primer momento.
Este enfoque no busca la perfección teórica ni pretende cubrir todos los casos extremos. Las ontologías basadas en grafos pueden funcionar muy bien en determinados contextos y no existe una solución universal. Sin embargo, al apoyarse en las infraestructuras informáticas empresariales existentes y aprovechar las capacidades semánticas de los grandes modelos lingüísticos (LLM), la ontología pragmática ofrece una base escalable, comprensible y viable para la semántica empresarial. En la práctica, un cierto grado de imperfección controlada —o incluso «caos productivo»— puede convertirse en un factor determinante para el éxito.
