La IA simbólica y los LLM nunca fueron rivales. La ontología es donde se encuentran.

Durante treinta años la disciplina discutió qué tipo de inteligencia era la verdadera. La IA simbólica, con sus ontologías, su lógica y sus reglas, podía explicar cada paso de su razonamiento pero no sabía nada que no se le hubiera dicho a mano. Las redes neuronales, y ahora los grandes modelos de lenguaje, lo aprendían todo de los datos y no explicaban nada. En una empresa, la discusión no viene al caso. Un banco no necesita una filosofía de la mente. Necesita un sistema que lea cien mil contratos, enuncie lo que contienen como hechos y razone sobre esos hechos de una forma que un auditor pueda seguir. Ninguna de las dos tradiciones lo hace por sí sola. Juntas, sí.

Lo que un modelo de lenguaje no puede darte

Un modelo de lenguaje es un lector magnífico y un testigo poco fiable. Pregúntale qué dice una escritura hipotecaria y responderá con fluidez, y normalmente bien. Hazle la misma pregunta mañana, con una formulación ligeramente distinta, y la respuesta puede variar. Pídele que combine lo que leyó en la escritura con lo que leyó en la tasación y en el registro de la propiedad, y producirá un párrafo plausible en lugar de un hecho verificado. No tiene una representación persistente del prestatario, del inmueble o de la carga, solo texto sobre ellos. No puede decirte cuál de tres valores en conflicto es el correcto, porque no tiene noción de que un valor sea correcto más allá de que suene correcto.

Esta es la raíz de los dos hábitos que han definido la IA empresarial hasta ahora: extraer campos de los documentos y chatear sobre ellos. Ambos se detienen en el texto. La extracción produce números sin las relaciones que les dan sentido; el chat produce prosa sin la estructura que la haría comprobable. Ninguno deja tras de sí un conocimiento sobre el que un proceso pueda construir.

Lo que la IA simbólica nunca pudo poblar

La tradición simbólica tenía el problema contrario. Una ontología dice con precisión qué es una hipoteca: una carga, en manos de un acreedor, sobre un inmueble identificado por una triple catastral, que garantiza un préstamo con un capital pendiente, con un rango frente a otras cargas. De esa definición se siguen reglas: qué carga se ejecuta primero, cuándo prescribe un crédito, cómo es una posición de garantía válida. El razonamiento es exacto y cada conclusión tiene una prueba. La dificultad fue siempre la misma: alguien tenía que teclear los hechos. La ingeniería del conocimiento no escalaba a los 130 millones de páginas de un servicer, y así las ontologías se quedaron elegantes y vacías.

La ontología como punto de encuentro

Junta las dos y cada una cura a la otra. El modelo de lenguaje lee; la ontología decide qué cuenta como hecho y cómo se relacionan los hechos. El modelo puebla; la ontología restringe, valida y razona. Eso es la capa semántica de Altilia: una representación basada en ontologías de los datos de los procesos de negocio, compartida por todas las aplicaciones de IA de la organización, creada y poblada por agentes en lugar de a mano.

• La ontología define las entidades, sus atributos, sus relaciones y las reglas que las gobiernan. Es declarativa, de modo que los expertos de dominio la escriben sin código, y está versionada, de modo que cada hecho puede rastrearse hasta la definición que lo produjo.
• La decodificación restringida obliga al modelo a producir solo salidas que encajan en la gramática de la ontología. Un valor que no encaja no puede producirse; un valor que se produce siempre tiene un tipo, un fragmento de origen o un bounding box.
• Los agentes pueblan la ontología a escala: clasifican documentos, extraen entidades y objetos jerárquicos, los concilian entre fuentes y los escriben en el grafo de conocimiento con una puntuación de confianza y un enlace de procedencia.
• Los agentes también crean ontologías. A partir de una muestra de documentos y una descripción del proceso, un agente redacta un borrador de las entidades y relaciones, un experto lo corrige, y el borrador se convierte en una ontología versionada que los siguientes agentes poblarán.

Razonar sobre hechos, no sobre texto

Una vez que los hechos están en el grafo, empieza la parte interesante. Un agente al que se pregunta qué cargas preceden a la del servicer en una cartera no busca párrafos que suenen como la respuesta. Recorre la ontología: de la cartera a los préstamos, de cada préstamo a su inmueble, del inmueble a sus cargas, de cada carga a su rango y fecha de inscripción, y aplica la regla que define la prioridad. La respuesta es un conjunto de hechos con una ruta, y la ruta es la explicación. GraphRAG es el nombre de esta recuperación basada en recorridos; la ontología es lo que la hace posible.

Lo mismo ocurre con las reglas que un modelo de lenguaje tiende a difuminar. Si un crédito ha prescrito no es una cuestión de interpretación una vez que la ontología define los eventos de interrupción y el agente ha poblado sus fechas a partir de las notificaciones. Si una posición de garantía es válida es una comprobación, no una opinión. El papel del modelo es leer y redactar; el papel de la ontología es hacer que la conclusión sea determinista, repetible y admisible en un comité de crédito.

«El modelo de lenguaje lee. La ontología decide qué es un hecho. Juntos producen un conocimiento que un auditor puede seguir.»

Por qué esto es distinto de la extracción o del chat

La extracción se detiene en el campo: 330 datos por caso, desconectados. El chat se detiene en la respuesta: un párrafo que no se puede comprobar. Poblar una ontología produce una tercera cosa, una representación persistente, tipada y enlazada del negocio que todo agente, aplicación y proceso posterior puede usar. El credit memo la cita. La vista de conciliación la lee. El asistente normativo responde desde ella. El modelo destilado se entrena con ella. Y como es explícita, el equipo de cumplimiento puede reproducir cómo se llegó a cualquier conclusión.

Por eso también los modelos pequeños se vuelven viables. Un modelo de pocos miles de millones de parámetros destilado sobre una ontología iguala a un modelo de frontera en esa tarea, porque la ontología ha eliminado la mayor parte de la ambigüedad en la que el modelo de frontera gastaba su capacidad. La inteligencia pasa de los pesos a la estructura, donde puede poseerse, versionarse y auditarse.

Por dónde empezar

Elige un proceso cuyos documentos ya entiendas y anota las veinte entidades que le importan. Deja que un agente redacte el resto a partir de una muestra y que tus expertos lo corrijan. Puebla el grafo a partir de archivos reales, con revisión humana donde está el riesgo. Después haz una pregunta que ni la extracción ni el chat pudieran responder, una que exija seguir relaciones entre documentos. Si la respuesta vuelve con una ruta que puedes seguir, las dos tradiciones se han encontrado.