Por Luis Eduardo Almazán, consultor Vinkos
Emil Eifrem, CEO y Cofundador de Neo4j, abre la conversación en su keynote a partir de recordar cómo empezó la compañía, cómo los grafos son una forma más intuitiva de entender problemas analíticos. Recuerda también cómo en el primer evento de Neo4j, el primer GraphSummit en Nueva York, allá por 2017, uno de los temas más importantes fue el contexto: qué información damos a los modelos (entonces llamados más bien modelos de machine learning) para que produzcan sus resultados.
Es una forma de decir que Neo4j siempre ha considerado esto como un problema fundamental, tienen experiencia en ello y sabe cómo dar la información adecuada. Hoy en día esto adquiere otro matiz, uno más relevante dentro de la industria.
Cualquier modelo puede ser muy bueno para múltiples tareas. Hoy podemos decir que estos modelos son bastante “inteligentes”. Sin embargo, el verdadero reto para utilizarlos correctamente está en el contexto que les proporcionamos.
No se trata de meter toda la información posible en la ventana de contexto, sino de proporcionar el contexto adecuado. Emil lo divide en tres grandes componentes: significado/sentido, alcance y aprendizaje. El contexto que proporcionamos a los modelos debe responder, de alguna manera, a estas tres dimensiones.
Sentido/significado
Aquí entra una de las palabras clave del evento: ontologías. Una ontología es una forma de categorizar entidades y definir cómo interactúan entre sí. Nos permite tener una visión semiestructurada de lo que existe dentro de nuestro problema de datos y del papel que desempeña cada elemento.
En términos prácticos, podemos verlo como un grafo que representa cómo funciona el negocio, o al menos la parte del negocio que resulta relevante para resolver un problema determinado.
En una de las pláticas, un fireside chat con Harsh Acharya, vicepresidente sénior de Dell, se habló de lo interesante que resulta poder visualizar el negocio en forma de grafo: entender cada proceso como un conjunto de nodos y relaciones. Esto puede facilitar las iniciativas de GenAI, hacerlas más eficientes y contribuir a obtener mejores resultados.
Posteriormente, Emil explicó que Neo4j contará con una nueva capacidad para integrar y modificar estas ontologías directamente dentro de la plataforma. Esto permitiría abordar de una manera más estructurada, y mediante un pipeline interno de Neo4j, uno de los principales desafíos de las aplicaciones de IA: dar sentido al contexto que utiliza el LLM para razonar. En este escenario, las ontologías se convierten precisamente en una parte fundamental de ese contexto.
Alcance
Este segundo punto se centra en cómo un LLM puede realizar las tareas que le solicitamos. Un modelo no sabe por sí mismo qué queremos que haga; tenemos que explicárselo mediante un prompt. Pero, además, necesita contar con el contexto necesario para responder correctamente.
Por ejemplo, un modelo no sabrá si necesita realizar un join o múltiples joins entre decenas de tablas para obtener un resultado, a menos que se lo indiquemos. Al mismo tiempo, no podemos proporcionar de antemano todos los posibles joins que podría requerir para cada tarea porque existen preguntas que simplemente no podemos anticipar. Aquí es donde el grafo puede aportar un valor importante.
Un grafo no depende de joins, sino de relaciones directas entre las entidades que interactúan. Para un LLM resulta mucho más sencillo comprender el esquema de un grafo y navegar esas relaciones que intentar reconstruir ese entendimiento únicamente a partir de metadatos distribuidos entre distintas tablas.
“You have a pile of unstructured documents and need to answer questions that span them: ‘which vendors are connected to this incident’. No single document contains the answer. RAG retrieval won’t chain the facts for you. You need a knowledge graph.”
– Anthropic, marzo de 2026.
Aprendizaje
Para aprender necesitamos memoria y, en un sistema de GenAI, la memoria es fundamental para obtener resultados relevantes y relacionados con las preguntas que plantean los usuarios. Aquí se proponen tres tipos de memoria particularmente importantes: memoria de corto plazo, memoria de largo plazo y memoria de razonamiento.
Un grafo permite concentrar estos tres tipos de memoria dentro de una misma estructura y en un mismo lugar, que puede ser consultado por diferentes herramientas de acuerdo con sus objetivos.
La memoria de corto plazo almacena principalmente las conversaciones: qué preguntas se hicieron, qué respuestas se dieron y qué proceso se siguió para llegar a ellas. De esta forma, las consultas repetidas no necesariamente tienen que recorrer todo el proceso nuevamente. Si una pregunta ya fue respondida, esa información puede reutilizarse.
La memoria de largo plazo tiene que ver con la posibilidad de modificar y enriquecer las ontologías del negocio para adaptarlas a las entidades que aparecen de manera recurrente tanto en las preguntas como en las respuestas.
La memoria de razonamiento permite conservar trazabilidad sobre el funcionamiento de la herramienta: qué pasos sigue para responder las preguntas de los usuarios y, a partir de ello, identificar oportunidades para mejorar los flujos y el desempeño general del sistema.
Emil planteó estos elementos como puntos clave de la conversación y, posteriormente, las distintas pláticas fueron complementándolos con experiencias y casos que ayudaron a explicar por qué cada uno de ellos resulta relevante.
Lo que me parece particularmente interesante
En lo personal, me parece muy interesante la posibilidad de integrar en Neo4j prácticamente todos los componentes necesarios para construir una solución de GenAI capaz de generar valor, excepto el propio LLM, ese lo eliges tú. Al final, se trata de concentrarse en aquello donde cada tecnología puede aportar mayor valor.
Neo4j busca ayudar a que las soluciones de GenAI sean mejores, encargándose de aquellos componentes en los que el grafo puede marcar una diferencia. Evidentemente, un modelo antiguo o limitado tenderá a ofrecer peores resultados que uno más actualizado, pero el modelo debería ser uno de los componentes más sencillos de sustituir dentro de la infraestructura, no el elemento alrededor del cual se construya todo el sistema.
Personalmente, estoy muy interesado en probar tres de las capacidades presentadas: Ontology for Agentic AI, Virtual Graphs y Document Intelligence. La primera, por todo lo que comenté anteriormente.
Virtual Graphs permite conectar Neo4j con cualquier base de datos para demostrar cómo un grafo puede aportar valor a un caso de uso sin necesidad de mover primero la información a Neo4j. Me parece un avance especialmente interesante para desarrollar pruebas de concepto y obtener algunos resultados analíticos sin tener que preocuparse desde el inicio por la migración de los datos.
Document Intelligence, por otra parte, permite generar grafos a partir de datos no estructurados e incorporar esa información al grafoEsperamos que también pueda utilizarse on-premises, para poder aprovechar todo su potencial.
Los anuncios y lo que viene
Hubo varios anuncios durante el evento. Pensando particularmente en nuestros clientes y en el corto plazo, considero que Virtual Graphs y Document Intelligence pueden ser especialmente relevantes para demostrar de una manera tangible el poder del grafo.
Pero la cereza del pastel, sin duda, es GraphAware, cuya plataforma de investigación fue adquirida recientemente por Neo4j. Entre sus capacidades se encuentra Orchestra, una herramienta que permite realizar, desde una misma interfaz, cargas y transformaciones de datos de manera sencilla, además de integrarse con otros orquestadores, como NiFi o Pentaho.
Uno de los retos que hemos tenido históricamente es lograr que los usuarios adopten realmente las soluciones que construimos para ellos. GraphAware tiene el potencial de ayudar a cerrar esa brecha al ofrecer un solo espacio desde el cual trabajar con distintos componentes de la analítica.
Si tuviera que resumir las pláticas en una sola idea, diría que la premisa sigue siendo la misma: Garbage in, garbage out. La diferencia es que, en GenAI, una parte fundamental de este input es el contexto. Por ello, la clave para construir un proyecto exitoso de GenAI no consiste simplemente en utilizar el modelo más avanzado, sino en proporcionarle el contexto adecuado, estructurarlo correctamente y mantenerlo en el tiempo.
Y ahí es precisamente donde Neo4j busca desempeñar un papel relevante: ayudar a generar, proporcionar y mantener ese contexto.
Hasta la próxima.