Plataformas de contexto de IA: cuándo una capa de contexto respaldada por grafos supera al RAG de solo vectores

Gartner dio a "AI Context Platforms" una definición formal el 13 de agosto de 2026: software que permite a los equipos de datos e ingeniería de IA construir, gobernar y entregar conocimiento organizado semánticamente a los agentes de IA, tratando el contexto como un activo comercial de primera clase en lugar de una configuración agente por agente. Dos proveedores respaldaron la categoría con producto en un plazo de 48 horas — Neo4j lanzó su Context Engine el 20 de octubre y NVIDIA lanzó la Agent Knowledge Foundation el 21 de octubre. Cuando una firma de analistas nombra una categoría y dos proveedores de plataformas la llenan en dos días, los compradores obtienen opciones reales — y una nueva decisión que tomar. Esta guía traza esa decisión: cinco preguntas en las que una capa de contexto respaldada por grafos supera al RAG de solo vectores, tres en las que el RAG de solo vectores sigue ganando, y los tres controles que importan más que el producto que compre, porque esos controles le toca construir independientemente.

Conclusiones clave

• 86 % frente a 57 % — la investigación de GraphRAG de Microsoft (Edge et al., 2024) midió la recuperación de grafos frente al RAG vectorial en 86 % de integridad en consultas complejas multi-entidad, con el RAG vectorial en 57 %. La brecha aparece siempre que una pregunta exige recorrer relaciones en lugar de igualar texto.
• Gartner nombró la categoría el 13 de agosto de 2026 — AI Context Platforms, en la definición de los analistas, "separan el ciclo de vida del conocimiento organizacional del ciclo de vida de los agentes individuales". Esa separación es el argumento de gobernanza, no una función de recuperación.
• La Business Ontology de Neo4j es un modelo de grafo de 6 capas — proceso de negocio y organización, ontología de dominio, productos de datos, sistemas físicos, herramientas e integración, conocimiento en runtime — construida, según Neo4j, a partir de cientos de despliegues empresariales. El Context Engine se envía en vista previa privada.
• El RAG de solo vectores sigue ganando en coste de construcción y preguntas y respuestas sobre documentos — 6–8 semanas a producción frente a 12–16 para construcciones de grafos, y las embeddings de interacción tardía ahora responden preguntas de agentes sobre 800 PDF reales con un 92,4 % (MADQA) sin OCR.
• Los controles del desplegador son procedencia, recuperación que transporta permisos y separación de ciclos de vida — ninguno se envía completo en ningún producto del proveedor; cada uno vive en el módulo MCP y la capa de auditoría que su equipo posee.

La categoría que recibió un nombre

La definición de Gartner (Kjell Carlsson, Afraz Jaffri, Christopher Long y Radu Miclaus, 13 de agosto de 2026) merece leerse dos veces porque es una definición de gobernanza, no de recuperación: las plataformas de contexto de IA son "software que permite a los equipos de datos e ingeniería de IA construir, gobernar y entregar conocimiento organizado semánticamente a los agentes de IA", y "al tratar el contexto como un activo comercial de primera clase en lugar de una configuración agente por agente, estas plataformas separan el ciclo de vida del conocimiento organizacional del ciclo de vida de los agentes individuales, aumentando la capacidad de la organización de escalar y gobernar sus agentes de IA en distintos dominios".

El problema que la categoría nombra es específico de los agentes. Los datos han tenido dos consumidores durante décadas — humanos, que llevan las relaciones entre registros en su cabeza, y aplicaciones, donde ese significado vive en lógica codificada. Los agentes son el tercer consumidor, y no heredan nada de ello. El blog de lanzamiento de Neo4j pone el modo de fallo en concreto: una aplicación sabe que un estado de cuenta "2" significa "suspendida a la espera de revisión" porque el mapeo está en el código; un agente no tiene idea, y el mapeo varía entre organizaciones — "cliente" significa una cosa en Marketing y otra en Finanzas (blog de Neo4j).

Dos proveedores enviaron respuestas en 48 horas. El Context Engine de Neo4j empaqueta una Business Ontology predefinida de 6 capas, una capa de construcción y runtime que construye la ontología desde fuentes como Databricks o Snowflake y la expone a las capas de orquestación, un plano de control Context Studio y una capa de memoria nativa de grafos que registra el razonamiento de agentes y las rutas de decisión. El presidente de tecnología y CPO de Neo4j dijo las consecuencias con claridad: "Todas las demás opciones son un parche sobre el problema que se rompe a medida que los agentes de IA crecen en complejidad y requisitos de acceso al sistema" (comunicado de prensa). Dos marcadores de honestidad importan para los compradores: el Context Engine está en vista previa privada, y su línea de que "GraphRAG es más preciso y rentable que el RAG de solo vectores" es una afirmación del proveedor — los números independientes llegan de la investigación de Microsoft, no de Neo4j.

NVIDIA tomó la posición arquitectónica contraria el 21 de octubre: no una plataforma, sino modelos y librerías CUDA-X que usted monta. Su página de Agent Knowledge Foundation declara que los componentes "trabajan con plataformas de datos, ontologías, bases de datos vectoriales y frameworks de agentes existentes; no requieren adoptar una nueva plataforma integral", e incluye un generador Auto Ontology que NVIDIA dice redujo el tiempo de creación de ontologías en 90 % en sus pruebas, con expertos de negocio todavía requeridos para "probar, refinar y certificar" la salida (NVIDIA). Esa última cláusula es la versión honesta de la construcción de ontologías: el software propone; el propietario certifica.

Lo que el RAG de solo vectores hace bien, todavía

La recuperación solo vectorial no es el espantapájaros que los materiales de lanzamiento de la categoría implican. Tres cosas que hace bien definen cuándo es la llamada correcta.

Primero, el coste de construcción. La guía de implementación de GraphRAG de este sitio pone al RAG tradicional en 6–8 semanas a producción frente a 12–16 para una construcción de grafo, y estima que el RAG tradicional logra 85–90 % del resultado de GraphRAG con 30 % del esfuerzo cuando el corpus son documentos de texto y las preguntas son búsquedas de una sola entidad. Un equipo pequeño que necesita responder preguntas de técnicos desde manuales de servicio en noviembre despliega búsqueda vectorial primero.

Segundo, el suelo de recuperación de documentos sigue subiendo. El lanzamiento pplx-embed-v2-late de Perplexity (7 de octubre, licencia MIT) empujó las embeddings de interacción tardía de pesos abiertos a 92,4 % en MADQA — preguntas de agentes sobre 800 PDF reales y más de 18.000 páginas — recuperando texto, imágenes y páginas completas de PDF sin OCR. En el eje de documentos no estructurados, la recuperación vectorial es un objetivo móvil, y la brecha que cierra un grafo de conocimiento no es la brecha de preguntas y respuestas de documentos.

Tercero, el ecosistema vectorial ya sabe dónde está su debilidad y la compensa estructuralmente. La recopilación de octubre 2026 de vdf.ai de diez motores autohospedados muestra la multi-tenencia gestionada a nivel de índice — particiones de Qdrant con clave de tenant que promueven tenants grandes a sus propios shards, modelo de shard por tenant de Weaviate — y la recuperación híbrida fundida dentro del motor porque los vectores densos solos "no capturan tokens exactos tales como números de contrato y códigos de error". El filtrado de permisos y la recuperación por palabras clave, en otras palabras, se resuelven como problemas de ingeniería dentro del stack vectorial. Lo que el stack vectorial nunca resuelve es la semántica: no tiene dónde poner lo que "cliente", "proveedor" o "riesgo" significa en su organización, ni respuesta a por qué dos registros recuperados están relacionados.

Lo que añade la capa de contexto gobernada

Una capa de contexto respaldada por grafos añade cuatro cosas que el RAG de solo vectores no puede representar en absoluto — y la cuarta es el criterio de compra.

Relaciones explícitas. Los fragmentos recuperados implican relaciones; un grafo las declara. Los números de GraphRAG de Microsoft — 86 % frente a 57 % de integridad en consultas multi-entidad — son la versión medida de esto: cuando una pregunta exige caminar de un producto a sus sustitutos hasta su disponibilidad de sucursal, la búsqueda de similitud debe adivinar cada salto.

Un único lugar para el significado del negocio. La Business Ontology de 6 capas de Neo4j mueve las definiciones de la organización — procesos, términos de dominio, productos de datos, sistemas físicos, herramientas, conocimiento en runtime — a un grafo que todos los agentes leen, en lugar de que cada agente los reaprenda (blog de Neo4j). Sanjeev Mohan, principal en SanjMo, puso la distinción que el stack vectorial no puede cerrar en el comunicado: "El contexto no es solo más datos, se trata realmente de relaciones: no solo que dos cosas estén conectadas, sino por qué y cómo. Eso es exactamente lo que los grafos modelan de forma nativa".

Procedencia por respuesta. La capa de memoria del Context Engine "registra el razonamiento del agente y las rutas operativas para formar un registro permanente de la experiencia empresarial" (comunicado de prensa). Una respuesta viene con la ruta que la produjo. La recuperación vectorial le da los fragmentos con mayor puntuación.

Una ruta de recuperación que transporta permisos. El Context Build and Runtime de Neo4j incluye gobernanza integrada "que garantiza que solo pueden acceder a los datos que están autorizados a acceder" — la política viaja con la recuperación, no como un post-filtro. En un stack vectorial, en cambio, el filtrado por tenant es una característica de ingeniería de índice de la base de datos específica que eligió (la recopilación de vdf.ai documenta lo diferente que lo implementan pgvector, Qdrant y Weaviate), y su aplicación reimplementa la regla.

El patrón es construible sin esperar software en vista previa privada. En la implementación de referencia detrás de los artículos de RFQ de este sitio, el módulo MCP de escritorio de cotizaciones expone una única herramienta inquire_catalog que enruta preguntas en lenguaje natural a un motor de grafo de conocimiento y devuelve resultados clasificados — recuperación y significado en una llamada gobernada — mientras un juego de herramientas separado de retenciones de disponibilidad maneja el lado transaccional. El límite de la herramienta, no el recuperador, es lo que lo hace gobernado: cada llamada pasa por un decorador de ejecución que registra estado, tiempo y carga a un modelo de auditoría en DynamoDB, y el scoping por tenant se impone por clave de partición en la capa de almacenamiento. Un artículo del estándar de código de módulos documenta el patrón de punta a punta.

La matriz de decisión

Cinco preguntas separan las dos arquitecturas en la práctica. Puntúe su carga de trabajo honestamente en cada una; dos o más filas en la columna del grafo significa que la capa de contexto justifica la construcción de 12–16 semanas.

Pregunta del comprador	Elija contexto respaldado por grafo	El RAG de solo vectores es suficiente
¿Qué forma tiene la pregunta?	Multi-entidad, recorriendo relaciones ("¿qué sustitutos aprobados para esta pieza tienen stock en el DC de Boston para el viernes?") — la brecha 86 % vs 57 % vive aquí	Búsquedas de una sola entidad sobre texto de documentos ("¿qué dice el manual del error E-204?")
¿Dónde vive el significado?	Disperso entre sistemas y equipos — "cliente", "proveedor", "riesgo" necesitan una definición compartida por los agentes	Contenido en documentos — el texto es el significado
¿Qué debe demostrar la gobernanza?	Procedencia por respuesta: la ruta de decisión, la política que la autorizó — la separación de ciclos de vida de Gartner	Control de acceso a nivel de contenido: filtros de tenant y permisos de carga en el índice
¿Qué tan rápido debe entregarse?	12–16 semanas más mantenimiento continuo de la ontología — aceptable cuando los agentes actúan sobre datos del negocio	6–8 semanas a producción — el primer paso correcto cuando el caso de uso es preguntas y respuestas de documentos
¿Qué cambia cada trimestre?	Cambia la semántica (nuevas líneas de producto, niveles renombrados, nuevas reglas de cumplimiento) — edite el grafo, no los agentes	Cambia el corpus — re-embedding nocturno y queda actualizado

Dos filas merecen notas de honestidad. En coste por consulta, la recuperación GraphRAG es más pesada que la similitud vectorial — el proveedor que vende el grafo lo dice, y la matemática por consulta de la guía de implementación (O(N) por ticket para actualizaciones de grafo frente a O(1) por documento) explica por qué las cargas de trabajo de alto volumen y preguntas superficiales deben permanecer en vectores. Y sobre el encuadre del "tercer consumidor": es la narrativa de lanzamiento de Neo4j, pero la observación subyacente la precede — el problema del estado de cuenta "2" es real en toda empresa B2B de mercado medio, compre el producto que compre.

En paralelo: cómo las dos arquitecturas responden las cinco preguntas del comprador, con la evidencia medida detrás de cada afirmación.

Los controles del desplegador que importan más que el producto que compre

La definición de Gartner enumera tres capacidades que hacen del contexto un "activo": se construye, se gobierna y se entrega. Lea las páginas del proveedor de cerca y cada una entrega parte de eso — Context Studio es un plano de control; el runtime de construcción impone autorización; la memoria registra decisiones. Ninguna entrega las tres de punta a punta, y dos son estructuralmente de usted.

La procedencia es un control, no una función. Una respuesta con una ruta de decisión registrada es un artefacto de auditoría solo si la ruta es de solo anexado y sobrevive al agente que la produjo. En la implementación de referencia, cada llamada de herramienta MCP escribe estado, duración y cargas depuradas a un modelo de auditoría por tenant — el patrón de la arquitectura de gobernanza de agentes. Ya sea el Context Engine de Neo4j o un grafo de su propiedad, el registro de lo que el agente recuperó y en qué actuó pertenece a su límite.

El transporte de permisos debe sobrevivir al último salto. Una plataforma de contexto que filtra dentro del grafo todavía conecta a los agentes mediante un límite de herramientas. Si ese límite no transporta identidad — un principal autenticado por llamada, acotado por tenant y rol — la autorización de la plataforma es solo consultiva. El patrón de módulos gobernados pone la verificación en middleware que intercepta cada solicitud (artículo de seguridad MCP), de modo que la política que Neo4j impone dentro del grafo no pueda burlarse con una llamada de herramienta sin scoping.

La separación de ciclos de vida es su elección de arquitectura. La afirmación central de la categoría — el conocimiento organizacional sobrevive a los agentes individuales — solo se sostiene si sus agentes son consumidores de un servicio de contexto en lugar de incrustadores de su propio contexto. En la práctica: los agentes referencian el contexto por consulta, nunca por instantánea fija; decomisionar un agente elimina estado del agente, no del grafo; y la división corto plazo/largo plazo del artículo de patrones de memoria de agentes se mapea limpiamente sobre la capa de memoria nativa de grafos que los proveedores ahora venden.

Una secuencia práctica para un equipo de mercado medio: despliegue primero RAG de solo vectores en las preguntas de documentos donde es fuerte; levante una ontología de negocio estrecha (un dominio — productos, proveedores o cuentas) con el paso de certificación que NVIDIA describe; expóngala a los agentes a través de una o dos herramientas MCP gobernadas donde la procedencia importa; amplíe la ontología solo cuando un caso de uso haga una pregunta de relaciones que la búsqueda vectorial respondió mal y caramente.

Lecturas relacionadas

• Guía de implementación de GraphRAG: de documentos de texto a recuperación de producción con grafos de conocimiento — la tubería de construcción de cinco etapas y las trampas de coste cuando elige el lado del grafo
• La pila de producción de agentes ya está en el mercado: por dentro de la arquitectura de referencia de NVIDIA de la GTC de Berlín — dónde se sitúan los modelos y librerías de la Agent Knowledge Foundation en una pila de producción completa
• Diseño de memoria de agentes: tres modos de fallo y el suelo de aplicación — la división de memoria corto/largo plazo que la capa de memoria nativa de grafos implementa

Solicite una construcción acotada

Considere una construcción representativa: un distribuidor industrial que opera su escritorio de cotizaciones en NetSuite, con precios por niveles en Postgres y el conocimiento de productos sustitutos en la cabeza de cuatro estimadores senior. Levantamos un grafo de conocimiento sobre productos, sustitutos, niveles de precio y disponibilidad por sucursal; lo envolvemos como un módulo MCP con registro de auditoría por llamada, retenciones de disponibilidad y herramientas de instantánea de cancelación que el equipo posee; y dejamos el framework de agentes intercambiable. Las respuestas de cotización regresan con la ruta que las produjo — qué sustituto, qué nivel, qué stock de sucursal — en horas en lugar de días.

Solicite una construcción acotada: descubrimiento de una semana. Recibe un inventario de sistemas, un mapa de flujos de trabajo y un alcance fijo — lo construya con nosotros o no.