¿Qué es un knowledge graph (grafo de conocimiento)?

Un knowledge graph, o grafo de conocimiento, es una forma de registrar conocimiento como una red: las entidades son puntos y las relaciones entre ellas, aristas. En vez de guardar solo la frase «el contrato 14/2024 se refiere al subcontratista Kowalski y termina el 2026-12-31», el grafo puede registrar las entidades contrato y subcontratista, la relación entre ambas y la fecha de terminación como atributo; así es posible preguntar explícitamente por cada elemento.

La diferencia parece académica hasta que planteas una pregunta que la búsqueda de fragmentos no sabe responder.

Cuándo la búsqueda de fragmentos deja de ser suficiente

RAG puede recuperar fragmentos pertinentes para una pregunta. Funciona bien con consultas como «¿cuál es nuestro procedimiento de reclamaciones?». Sin embargo, buscar fragmentos por sí solo puede no bastar cuando la respuesta no está escrita en un único lugar, sino que resulta de conectar varios hechos:

• «¿Qué contratos con subcontratistas vencen antes de la próxima auditoría?»
• «¿Quién en la empresa trabajó en proyectos para clientes del sector del transporte?»
• «¿Qué sistemas dependen de esta integración que queremos desactivar?»

Si la respuesta no aparece en un solo fragmento, hay que unir varios hechos. El grafo es una de las arquitecturas que facilitan ese recorrido y permiten mostrar el camino.

Grafo de conocimiento frente a base de datos vectorial

	Base de datos vectorial (RAG)	Knowledge graph
Qué almacena	fragmentos de texto y su significado	entidades y relaciones entre ellas
Responde a	«dónde se ha escrito esto»	«cómo se relaciona esto entre sí»
Pregunta de varios pasos	depende de la búsqueda y de las herramientas	facilita de forma natural recorrer relaciones
Coste de preparación	depende de las fuentes y de la evaluación	se añaden el modelo de relaciones y la normalización de entidades
Actualización	añadir un documento	hay que encajarlo en el esquema
Explicabilidad	«sale de este documento»	«sale de este recorrido de relaciones»

Estos enfoques pueden combinarse, pero no es automáticamente la mejor elección. El grafo ayuda con las relaciones y la agregación, mientras que la búsqueda textual aporta fragmentos que se pueden citar. Una implementación de este patrón es Microsoft GraphRAG, que extrae de los textos entidades, relaciones y afirmaciones. Aun así, el coste de indexar y mantener el grafo debe justificarse con preguntas que un RAG más simple no pueda atender.

De qué se compone un grafo de conocimiento

Tres conceptos y se acaba la teoría:

1. Entidad: aquello de lo que hablas, como un cliente, contrato, producto, persona, proyecto o sistema. Tiene tipo e identificador.
2. Relación: una conexión con nombre, por ejemplo «el contrato se refiere al cliente», «la persona trabajó en el proyecto» o «el sistema depende de la integración». La relación tiene dirección.
3. Atributo: una propiedad de una entidad, como fecha, importe o estado.

Una parte esencial del trabajo consiste en decidir qué es entidad, relación y atributo. Los límites se resuelven con quienes conocen el dominio y después se comprueban con preguntas reales; una sintaxis de grafo correcta no garantiza por sí sola la utilidad.

Cómo se construye un grafo a partir de documentos

Este es el orden que utilizamos:

1. Modelo de dominio. Enumeramos los tipos de entidad y las relaciones permitidas. Sin reglas explícitas aumenta el riesgo de nombres incoherentes, duplicados y consultas cuyo resultado es difícil de interpretar.
2. Extracción. Un modelo de lenguaje puede leer documentos y proponer entidades y relaciones según el modelo. La automatización reduce el coste del trabajo manual en conjuntos grandes, pero el resultado sigue requiriendo control de calidad.
3. Normalización de entidades. «Jan Kowalski», «J. Kowalski» y «Kowalski Jan» pueden ser la misma persona. La regla de unión necesita identificadores y tratamiento de la incertidumbre para no fusionar a dos personas distintas.
4. Verificación. Una persona revisa una muestra de relaciones, junto con reglas de coherencia («un contrato no puede terminar antes de empezar»).
5. Consulta. Consultas sobre el grafo y una capa de lenguaje que convierte la pregunta del usuario en una consulta al grafo.

Cuándo no encaja un knowledge graph

Conviene ser honestos, porque es fácil exagerar esta herramienta:

• Cuando las preguntas son simples y factuales. «¿Cuál es el procedimiento X?» no necesita un grafo. Un RAG basta y será más económico.
• Cuando el dominio es inestable. Un grafo necesita un esquema. Si cada mes cambia qué son exactamente las entidades, el esquema estará continuamente desactualizado.
• Cuando nadie puede resolver el modelo del dominio. Sin una persona que sepa cómo funciona realmente la empresa, se creará un grafo conforme a los documentos y contrario a la realidad.
• Cuando los datos están dispersos y son contradictorios. El grafo no arregla el desorden: lo fija en una forma que parece precisa. Eso es peor que un desorden visible.

Qué aporta en la práctica

Tres efectos por los que merece la pena considerar un grafo y comprobarlo con preguntas reales:

• Respuestas a preguntas «a través de varios pasos» sin tener que rebuscar en carpetas.
• Posibilidad de rastrear la base. Se ve el recorrido de relaciones que usó la consulta. En decisiones con riesgo ayuda a verificar el resultado, pero no sustituye la comprobación de los datos y de las reglas.
• Mejor control de la base de la respuesta. El recorrido en el grafo y la cita facilitan la verificación, pero no garantizan que la extracción ni la generación sean correctas.

Cuánto cuesta

El grafo suele ser un módulo de un proyecto mayor de second brain, no una compra independiente. En nuestros rangos de agosto de 2026, un piloto cuesta 12 000–30 000 zł netos y un sistema de producción 30 000–120 000 zł netos. El grafo amplía el alcance con el modelo de dominio, la normalización de entidades y las pruebas de relaciones.

Preguntas frecuentes

¿Necesitamos una base de datos especial?

No siempre. En grafos pequeños, las relaciones caben en un PostgreSQL normal. Recurremos a una base de datos de grafos dedicada cuando las consultas se vuelven profundas y el rendimiento empieza a importar.

¿Quién mantiene el grafo después de la implementación?

La extracción de documentos nuevos puede automatizarse, pero alguien debe resolver los casos dudosos y los cambios del modelo de dominio. El responsable y la frecuencia de revisión se definen según el riesgo y el ritmo de cambio.

¿Podemos empezar sin grafo y añadirlo más adelante?

Sí, y normalmente es lo que recomendamos. Empieza con RAG, mide en qué preguntas falla el sistema y añade el grafo solo donde de verdad falten relaciones. El orden inverso es construir por intuición.

---

También construimos grafos de conocimiento para nosotros mismos: describimos nuestras herramientas de knowledge graph en el laboratorio. No es una implementación ajena sobre la que hayamos leído, sino algo que mantenemos en la práctica. Si tus preguntas requieren relaciones y no solo búsqueda, hablemos.