Plataforma · Conceptos · Ontología Empresarial
Su IA necesita un modelo global de su negocio. Eso es una ontología.
Una ontología empresarial es un mapa dinámico de lo que es su negocio : los objetos (miembros, pedidos, productos), el significado de cada campo, su relación entre sí y las acciones que se pueden realizar : acciones gobernadas con precondiciones, autorización y auditoría. No es una copia de sus datos, sino una capa de significado integrada a los datos que ya posee, que tanto las personas como la IA utilizan para interpretar el negocio.
Capa dinámica · los verbos
Acciones controladas: cada una con precondiciones, un mecanismo de autorización y un registro de auditoría.
Capa semántica · los sustantivos
Miembro
Nivel · Consentimiento · Etiquetas
Orden
Total · Tienda · Fecha
Producto
Categoría · Precio
Objetos, sus propiedades y las relaciones entre ellos: el mapa de lo que existe.
Los datos que ya tienes
Perfiles · Pedidos · Eventos · Catálogo: nada copiado, nada movido
que es
Un gemelo digital del negocio, en dos capas.
Cada empresa ya tiene una ontología implícita: todo el mundo más o menos sabe qué es un “miembro”, qué contiene “una orden” y qué acciones son aceptables. El problema es la palabra implícito: el conocimiento vive en la cabeza de las personas, en SQL tribal, en seis herramientas con seis definiciones. Una ontología explícita lo escribe una vez, como un modelo legible por máquina con dos capas:
Capa 1 · Semántica: los sustantivos
Objetos, propiedades, relaciones.
Las entidades en las que se ejecuta su negocio (miembro, pedido, producto, cupón, campaña, tienda) cada una con propiedades nombradas y descritas, conectadas por relaciones reales: un miembro realiza un pedido, un pedido contiene productos, un cupón pertenece a un miembro. Pregunte "¿qué es este cliente?" y hay una respuesta, con el significado de cada campo adjunto.
Capa 2 · Dinámica: los verbos
Acciones controladas
¿Qué puede ser? hecho Para esos objetos: emitir un cupón, otorgar puntos, aplicar una etiqueta, agregar una nota; cada acción conlleva sus precondiciones (cuándo es válida), su autorización (quién o qué puede realizarla y en qué equipo) y su registro de auditoría (qué sucedió y por qué). Esto es lo que distingue una ontología de un diccionario pasivo: modela el cambio, no solo el estado.
Este patrón no es exclusivo nuestro. Palantir lo popularizó en el ámbito empresarial: la ontología de Foundry combina una capa semántica de objetos con una capa cinética de acciones controladas en toda la organización. Aplicamos la misma arquitectura a un dominio específico, de forma integral: el cliente.
Lo que no es
Mapea los datos que ya tienes.
La forma más rápida de comprender una ontología es mediante lo que no le exige: ni una nueva base de datos, ni una migración, ni un proyecto de rastreo y catalogación.
No es un catálogo de datos
Un catálogo inventaría conjuntos de datos para personas: dónde se encuentran las tablas y quién es su propietario. Una ontología modela el negocio en sí mismo para máquinas y personas: qué es un cliente, cómo se relaciona un pedido con un producto y qué se puede hacer al respecto. Un catálogo describe el almacenamiento; una ontología describe el mundo.
No necesitas otra base de datos
No se copia ni se migra nada. La ontología es una capa de metadatos que mapea los datos que ya tiene: sus perfiles, pedidos, eventos y catálogo permanecen exactamente donde están. Lo que se agrega es significado: nombres, definiciones, relaciones y reglas fijadas a los datos que se encuentran debajo.
No solo una capa semántica
Las capas semánticas de métricas definen cifras agregadas —ingresos, retención— de una forma certificada. Una ontología va dos pasos más allá: convierte los objetos en objetos de primera clase (este miembro, este orden) y añade una capa dinámica de acciones gobernadas. Sustantivos y verbos, no solo medidas.
Una capa semántica
Ya dispone de tres activos semánticos. Lo que falta es la tabla de sustantivos.
Una plataforma como la nuestra no llega a la ontología con las manos vacías. Ya se han construido, certificado y gobernado tres capas de significado, cada una fuerte por derecho propio:
Responde “Cuánto”
Métricas
La capa cuantitativa certificada. GMV, abandono, retención: cada número de negocio tiene exactamente una definición autorizada, calculada por el motor semántico. Cuando dos paneles muestran ingresos, muestran los mismos ingresos.
Capa semántica de métricas →Responde “¿Qué tipo?”
Etiquetas
La capa de clasificación gobernada. Etapas del ciclo de vida, niveles de valor: etiquetas explicables aplicadas según la política: con consentimiento informado, con TTL, reglas de exclusividad y un registro de auditoría. Quién es un miembro, registrado.
Etiquetas controladas →Responde “qué sucedió”
Comportamiento → Intención
La capa de cronología. Lo que un cliente hizo realmente (navegó, compró, canjeó, dejó de interactuar) y la intención que la IA interpreta de ese comportamiento: hipótesis como “tendencia a la baja”, confirmadas antes de que nadie actúe.
Eventos, comportamiento e intención →Sin embargo, si observamos con atención, los tres son del mismo tipo: semántica derivada que se aferra a objetos que nunca se explicitaron. Las métricas describen cantidades de de algo; las etiquetas describen tipos de de alguien; Los comportamientos describen eventos que ocurren entre las entidades y . Los adjetivos y las frases verbales están presentes; lo que falta es la tabla de sustantivos. «Miembro», «pedido» y «cupón» no tienen una definición común; cada recurso describe las entidades en sus propios términos, y ninguno hace referencia a los demás.
La función de la ontología es proporcionar esa tabla de sustantivos, como columna vertebral , no como un cuarto compartimento . Las propiedades derivadas de un object hacen referencia a las definiciones métricas certificadas; no se vuelve a calcular nada, y la capa de métricas sigue siendo la única autoridad para cada number. Las etiquetas aparecen como propiedades de clasificación del object, que se aplican según sus propias políticas de consentimiento y TTL. El flujo de comportamiento se convierte en la línea de tiempo observada del object: identidad en un lugar, observación en otro. Y la capa cinética añade lo que ninguna de las tres podía: los verbos — las acciones controladas que se pueden realizar en cada object.
Agentes de IA y la consola
¿Quién es este cliente? ¿Qué ha sucedido? ¿Qué se puede hacer?
Ontología · una capa semántica
Objetos · Enlaces · Acciones
Métricas
Medidas certificadas
propietario: motor semántico
Etiquetas
etiquetas gobernadas
propietario: políticas de etiquetas
Comportamiento → Intención
Cronología observada
Propietario: flujo de eventos
Los datos que ya tienes
Perfiles · Pedidos · Eventos · Catálogo
Las métricas, las etiquetas y los comportamientos responden a cuánto, qué tipo y qué sucedió. La ontología hace que funcionen en torno al mismo quién y qué, y añade qué se puede hacer.
El resultado es una capa semántica completa: cuando una IA pregunta qué es este cliente (propiedades = métricas + etiquetas), qué ha sucedido (comportamiento → intención) y qué puede hacer (acciones), las tres respuestas comparten el mismo sistema nominal por primera vez. Cada capa conserva su propietario; la ontología hace referencias, nunca duplica.
Descubra el panorama completo: cómo funciona la capa semántica →Por qué es importante
La IA aplicada a datos sin procesar falla silenciosamente. Ahora la evidencia es cuantificable.
La tabla de sustantivos faltante no es un detalle estético. Cuando una IA responde preguntas de negocio sobre datos cuyos objetos nunca se explicitaron, no genera errores; responde con seguridad, aunque sea incorrectamente. El costo se ha comparado con el de otros sistemas:
16.7% → 54.2%
Precisión de LLM al responder preguntas de negocio sobre datos empresariales
En una prueba comparativa controlada sobre un esquema de seguros real, un modelo LLM que respondía a la base de datos SQL sin procesar acertó el 16,7 % de las preguntas de negocio. El mismo modelo, sobre los mismos datos representados como un grafo de conocimiento con una ontología, obtuvo un 54,2 % —aproximadamente el triple— antes de que cualquier modelo se volviera más grande o más inteligente. La representación, no el modelo, fue el cuello de botella.
Punto de referencia data.world (Sequeda et al.), arXiv 2311.07509 ↗→ 72%
Con verificación y reparación de consultas basadas en ontología
Un estudio posterior utilizó la propia ontología para validar las consultas que genera el LLM y corregir las que la infringen, elevando la precisión general al 72%, con un 8% adicional de respuestas que se convirtieron en un honesto «No lo sé» en lugar de una suposición confiada. La ontología no es solo contexto; es un contrato verificable.
“¡Ontologías al rescate!” (Allemang y Sequeda), arXiv 2405.11706 ↗+17–23 puntos
A partir de un documento de capa semántica de 4 KB, en tres modelos fronterizos
Un punto de referencia emparejado ejecutó dos LLM de frontera en el mismo almacén minorista dos veces: solo el esquema, luego el esquema más un documento de ~4 KB que describe medidas, convenciones y reglas de desambiguación. La precisión aumentó entre 17 y 23 puntos porcentuales para cada modelo, y los tres modelos se volvieron estadísticamente indistinguibles. La semántica, no la elección del modelo, movió la aguja.
Prueba comparativa de Cube, arXiv 2604.25149 ↗El 60 % fracasará
Proyectos de análisis de agentes basados únicamente en MCP, para 2028 (Gartner)
En su Cumbre de Análisis y Datos de 2026, Gartner advirtió que el 60% de los proyectos de análisis agentes que dependen únicamente de MCP fracasarán en 2028 por falta de una capa semántica consistente. Es necesaria una instalación de plomería que conecte un agente a sus sistemas, pero sin un modelo de lo que significa el negocio, no es suficiente.
Gartner Data & Analytics Summit 2026, según informa Atlan ↗Señal del sector
En junio de 2026, Zeta Global y Palantir anunciaron una alianza estratégica para construir una infraestructura unificada de datos e IA para marketing. Palantir Foundry aportó la ontología, la gobernanza y la infraestructura operativa que requieren los datos empresariales para la ejecución de marketing basada en agentes. Un modelo semántico, junto con una acción gobernada, se está convirtiendo en la arquitectura del sector para que la IA actúe, no solo analice.
Comunicado de prensa de Zeta Global, 23 de junio de 2026 ↗El cambio más profundo.
Los datos de los modelos de pila tradicionales. Nunca modeló decisiones.
Los almacenes, las canalizaciones y los catálogos responden a la pregunta "¿qué es true?". Capturan el estado: filas, columnas, instantáneas. Lo que nunca capturan es la decisión: el juicio que se formó, la acción a la que condujo, quién la autorizó y qué sucedió después. Ese bucle existía en la mente de las personas y en los tickets, por lo que nunca se podía consultar, aprender ni gestionar.
En el momento en que la IA comienza a actuar (no solo a informar), esa brecha se convierte en todo el problema. Los sistemas agentes no necesitan otra integración de datos; necesitan integración de decisiones: evidencia → juicio → acción autorizada → resultado registrado, como objetos conectados de primera clase. Eso es precisamente lo que proporciona la capa dinámica de la ontología y la razón por la que tratamos cada decisión de la IA como datos, en un registro que se puede filtrar, reproducir y auditar.
Una decisión, tal como la registra la ontología.
Evidencia — los registros de miembros y las métricas que la IA realmente lee
Decisión — el razonamiento, en lenguaje sencillo, que consta en el expediente
Autorización — El dispositivo en el que se ejecutaba, o la persona que lo aprobó
Acción — qué cambió: el cupón emitido, la etiqueta aplicada
Resultado — El resultado: influye en la siguiente decisión y es reversible.
en la plataforma
No es un concepto de software de diapositivas. Está en funcionamiento.
En SocialHub.AI la ontología no es un proyecto que usted construye: se entrega con la plataforma y se extiende a los campos y objetos que agrega. Esto es lo que permite hoy:
Inteligencia artificial capaz de preguntar qué existe
Antes de actuar, cualquier IA conectada puede analizar la ontología: listar los objetos de negocio de tu espacio de trabajo, describir los campos de un object y su significado, observar la relación entre los objetos y listar las acciones que puede realizar, con las condiciones y la autorización vigente para cada una. Se describen los campos que contienen datos personales, pero sus valores nunca se comparten.
Referencia de introspección →Acciones gobernadas, no de forma libre
La capa dinámica en funcionamiento: cada acción de IA tiene su propio mecanismo de autorización (automática, revisión humana o prohibida), configurado para cada equipo. Las propuestas llegan como tarjetas de aprobación en lenguaje sencillo, el razonamiento se revisa al momento de la aprobación, una acción que no funciona correctamente se somete a revisión humana y cualquier acción puede deshacerse.
Consulte la consola de gobernanza. →Cada decisión, registrada
Como las acciones también son objetos de ontología, cada una deja un registro completo de la decisión: el razonamiento, la evidencia leída, quién la autorizó (un engranaje o una persona), qué cambió y el resultado. La actividad de la IA deja de ser una caja negra y se convierte en un registro que puede filtrar, reproducir y auditar.
El registro de decisiones →Tus extensiones heredan la semántica
Agregue un campo personalizado a los miembros, o un objeto personalizado completo (trabajos de reparación, citas de servicio) e ingresa automáticamente en la misma ontología: introspectable por IA, describible campo por campo, utilizable en segmentos y personalización. Sin datos de segunda clase, sin integración separada.
Objetos personalizados →El concepto es esta página. La consola es el producto.
AI Governance & Approvals es donde la capa dinámica de la ontología se convierte en un flujo de trabajo diario: tarjetas de aprobación, engranajes de acción, el registro de decisiones, deshacer con un solo clic.
Preguntas frecuentes
Las preguntas que hacen los equipos de datos.
¿En qué se diferencia una ontología de un catálogo de datos?
Un catálogo de datos responde "¿dónde están los datos y quién es el propietario?" – realiza un inventario de tablas y archivos para equipos de datos humanos. Una ontología responde “¿en qué consiste el negocio y qué se puede hacer?” – modela miembros, pedidos, productos, sus relaciones y las acciones gobernadas que operan sobre ellos, en una forma que tanto las personas como los agentes de IA puedan leer y actuar. Muchas organizaciones necesitan ambos; no son la misma herramienta.
¿Cómo se relaciona con una capa semántica de métricas (como la de dbt o la nuestra)?
Son capas complementarias de una misma idea. Una capa de métricas certifica definiciones agregadas: qué significa "ingreso", calculado de una manera. La ontología extiende esto desde las medidas hasta los objetos mismos (este miembro, este pedido, cómo se conectan) y añade la capa de acción: qué se puede hacer, quién lo hace y bajo qué condiciones. En SocialHub.AI, las propiedades derivadas de un object hacen referencia a las definiciones de métricas certificadas en lugar de recalcularlas; la capa de métricas sigue siendo la única autoridad para cada number, y la ontología la unifica con la semántica de clasificación de las etiquetas y la semántica de la línea de tiempo del comportamiento y la intención, en torno a los mismos objetos.
¿Necesitamos una base de datos de grafos para tener una ontología?
No. Una ontología es una capa de modelado, no una tecnología de almacenamiento. Mapea los datos que ya tienes —tablas relacionales, flujos de eventos, un catálogo de productos— y les añade nombres, relaciones y reglas. Algunos proveedores implementan ontologías sobre almacenes de grafos; la nuestra utiliza metadatos sobre los datos operativos que ya están en la plataforma. No se requiere ninguna migración de plataforma.
¿Es esto lo mismo que la ontología de Palantir?
Mismo concepto, diferente alcance. Palantir introdujo el patrón ontológico —una capa semántica de objetos más una capa cinética de acciones controladas— en el ámbito empresarial con Foundry, aplicándolo a empresas enteras. Nuestro sistema aplica el mismo patrón a un dominio específico: la interacción con el cliente. Se trata de miembros, pedidos, productos, campañas y las acciones de marketing controladas sobre ellos, integradas en la plataforma en lugar de ser proyectos independientes.
¿Cómo se relaciona esto con la gobernanza de datos?
La gobernanza de datos garantiza la fiabilidad de los datos: una definición certificada por number, consentimiento respetado, acceso controlado y datos limpios. La ontología se basa en este fundamento y añade la capa que la IA necesita para actuar: qué son los objetos y qué acciones están permitidas. Los datos fiables son la base; un modelo de mundo gobernado es el fundamento sobre el que se apoya un agente.
Relacionado: Gobernanza de datos · Capa semántica de métricas · Gobernanza y aprobaciones de IA
Lecturas relacionadas
Sigue explorando las páginas más relacionadas con esta.
Decisión inteligente
La siguiente mejor acción: quién, qué oferta, qué canal y cuándo.
Más información CapacidadConsumer World Model
La tecnología central detrás de cada decisión: un modelo de comportamiento que aprende cómo se comportan realmente sus miembros (capacitado por marca en su propio flujo de eventos, controlado por honestidad en función de una línea de base transparente) más un gemelo digital que simula lo que harían a continuación, ensayando campañas (y la opción de no hacer nada) antes de que se envíe un mensaje. Juntos, un modelo vivo y completo de su base de miembros.
Más información CapacidadPanel
Datos de escaneo a canje en tiempo real como tendencias de KPI, diagnósticos del embudo y un panel de reglas + LLM para la siguiente mejor acción, además de curvas de retención por cohorte de registro y una previsión de ingresos a 14 días que reconoce honestamente que es una proyección, no un compromiso.
Más información CapacidadObjetivos comerciales
Convierta cualquier KPI gobernado en un objetivo operativo que responda a alguien. Divida un objetivo en un árbol único de padres e hijos en dos ejes: tiempo (año → trimestre → mes) y organización (empresa → regiones de tienda → tienda), luego deje que los datos reales se acumulen automáticamente a partir de pedidos reales en el mismo calibre que lee su panel, con estado rojo/amarillo/verde, una proyección de ritmo y una alerta en el momento en que un objetivo se desvíe.
Más información CapacidadSoTag para Slack
El agente Slack que entrega números gobernados y auditados a Claude en el hilo de conversación: escaneo diario de anomalías + envío de cupones aprobado por humanos. Acceso anticipado.
Más información CapacidadSoClaw — Contrata a tus empleados de IA
Contrata empleados de IA para tu programa de fidelización: agentes autónomos, cada uno con una función específica: un gestor de fidelización que recupera clientes en riesgo, un gestor de pedidos que gestiona la cola de revisión de recibos y pedidos, un gestor de riesgos que protege los puntos contra el fraude y un gestor de marketing que convierte un objetivo en una campaña lista. Cada uno trabaja caso por caso dentro de los límites que establezcas y registra cada decisión. Gestiona tus proyectos como un equipo, con objetivos, presupuestos, tareas y retroalimentación. Desactivado por defecto, con límite de uso y pausa instantánea. Acceso anticipado.
Más información