Una empresa pide a su agente: «prioriza los clientes con mayor riesgo». La petición parece sencilla, pero plantea varias cuestiones. ¿Riesgo de baja, impago o retraso? ¿Cliente significa empresa, contacto o grupo empresarial? ¿Se calculan los últimos 30 días o toda la relación contractual? ¿Quién está autorizado para ver el resultado?
Los modelos de lenguaje conocen patrones generales, no la realidad operativa de cada organización. Necesitan definiciones, relaciones, normas, permisos y datos actualizados en el momento oportuno. La disciplina que diseña esa alimentación se denomina ingeniería de contexto.
El 22 de octubre de 2026, Google Cloud anunció enriquecimiento autoaprendible en Knowledge Catalog para detectar carencias de contexto y mantener actualizadas las definiciones empresariales. Es una señal clara: la ventaja ya no reside únicamente en el modelo, sino en el contexto reutilizable que lo conecta con el negocio.
¿Qué es la ingeniería de contexto?
Es el proceso de seleccionar, estructurar, actualizar y entregar a la IA toda la información necesaria para una tarea. Reúne datos operativos, metadatos, glosarios, reglas, historial, identidad del usuario, estado del proceso y herramientas disponibles.
No consiste en redactar un prompt enorme. Un sistema sólido decide qué información recuperar en cada ejecución, comprueba su vigencia, aplica permisos y registra qué fuentes sustentaron una respuesta o una acción.
Prompt, RAG y capa de contexto cumplen funciones distintas
El prompt orienta el comportamiento
Describe la función del agente, sus límites y el formato de salida. Funciona para instrucciones estables, pero resulta frágil cuando intenta contener toda la complejidad de la empresa.
RAG recupera información
Una arquitectura RAG localiza fragmentos relevantes en documentos y bases de conocimiento. Facilita respuestas con fuentes, aunque la similitud textual no explica por sí sola relaciones, autoridad, vigencia o excepciones.
La capa de contexto aporta significado
Registra que un pedido pertenece a una delegación, que la delegación forma parte de una región, que un contrato sustituyó al anterior y que solo Finanzas puede consultar el margen. Une búsqueda, semántica, relaciones, reglas y gobierno.
Por ello complementa el RAG agéntico: la recuperación encuentra evidencias y el contexto determina cómo interpretarlas y qué puede hacer el agente.
Componentes de un buen contexto empresarial
- glosario: definiciones aprobadas de cliente activo, ingresos, oportunidad, demora y otras métricas;
- ontología: entidades y relaciones entre personas, empresas, contratos, productos y eventos;
- metadatos: origen, propietario, calidad, sensibilidad y fecha de actualización;
- reglas: políticas comerciales, límites, niveles de aprobación y excepciones;
- identidad: usuario, función, empresa, sede y permisos;
- estado: fase actual del proceso, acciones realizadas y tareas pendientes;
- memoria: hechos útiles de interacciones anteriores con caducidad definida;
- herramientas: APIs y operaciones que el agente puede consultar o ejecutar.
Ejemplo: agente comercial conectado al CRM
Supongamos que un agente prepara al vendedor para una reunión. Sin contexto gobernado, busca mensajes recientes y redacta un resumen genérico. Con una capa de contexto, identifica el grupo empresarial, relaciona contactos y oportunidades, comprueba productos contratados, incorpora incidencias críticas y emplea la definición oficial de ingresos recurrentes.
Después propone tres asuntos para la conversación y registra la preparación en el CRM. Si el usuario pertenece a otro equipo, oculta los márgenes. Si una política comercial ha caducado, no la utiliza. Si dos fuentes discrepan, señala el conflicto en lugar de inventar una conclusión.
Grafos de contexto: cuando importan las relaciones
Las bases de datos relacionales siguen siendo esenciales para las transacciones. Un grafo de conocimiento añade una forma directa de representar conexiones: una persona trabaja en una empresa, la empresa pertenece a un grupo, un contrato cubre un producto y una incidencia afecta a ese contrato.
Es especialmente útil para preguntas con varios saltos, como «¿qué clientes estratégicos dependen de proveedores afectados por este incidente?». La respuesta no está en un único documento o tabla, sino en la relación entre entidades.
No todos los proyectos deben comenzar con una base de grafos. Una primera versión puede combinar catálogo, capa semántica, búsqueda híbrida y servicios existentes. La prioridad es modelar el significado, no incorporar tecnología sin un caso de negocio.
Mantener el contexto al día
El contexto envejece. Cambia una política, se retira un producto, un cliente pasa a otro grupo o una métrica adopta una nueva fórmula. Cada conjunto debe tener responsable, fuente de verdad, periodo de validez y circuito de aprobación.
Las propias interacciones del agente revelan carencias. Preguntas sin respuesta, correcciones humanas y conflictos entre fuentes deben alimentar una cola de mejora. Los sistemas recientes pueden proponer enriquecimientos automáticamente, pero la publicación de definiciones requiere supervisión.
Seguridad: contexto no significa acceso ilimitado
Centralizar conocimiento sin autorización puede amplificar una filtración. El filtrado debe comenzar antes de la recuperación y mantenerse en cada herramienta que active el agente.
- propaga la identidad del usuario en todas las consultas;
- aplica controles por función, sociedad, sede y finalidad;
- minimiza datos personales conforme al RGPD;
- separa contexto global, de equipo e individual;
- emplea credenciales temporales para ejecutar acciones;
- registra fuentes, versiones y decisiones para auditoría;
- define retención y borrado de memoria e historial.
Estas medidas se complementan con una identidad específica para cada agente y observabilidad de extremo a extremo.
Arquitectura de referencia
- conectores capturan cambios en CRM, ERP, documentos y bases de datos;
- un catálogo registra metadatos, calidad y responsables;
- glosario y ontología organizan conceptos y relaciones;
- índices vectoriales, SQL y grafos resuelven consultas diferentes;
- un servicio de contexto combina tarea, usuario y estado;
- las políticas filtran datos y herramientas autorizadas;
- el agente recibe solo el paquete necesario;
- la telemetría registra fuentes, costes, acciones y correcciones.
La capa puede implantarse de forma progresiva y conectarse a los sistemas actuales mediante APIs y eventos. No exige trasladar todos los datos a un único repositorio.
Cómo empezar sin crear otro proyecto de datos interminable
1. Selecciona una decisión concreta
Empieza por una tarea medible: clasificar solicitudes, preparar ofertas, analizar riesgo u orientar la atención al cliente. No intentes modelar toda la empresa.
2. Enumera el contexto imprescindible
¿Qué conceptos, fuentes, relaciones y reglas cambian la decisión? ¿Quién puede acceder a cada dato? ¿Qué debe estar actualizado en tiempo real?
3. Define las fuentes de verdad
Asigna un sistema responsable a cada hecho. Cuando existan discrepancias, establece precedencia o deriva el caso a revisión.
4. Prueba con situaciones reales
Incluye casos habituales, excepciones e intentos de acceso indebido. Compara la respuesta del agente con la decisión de especialistas.
5. Establece un ciclo de mantenimiento
Registra fallos, correcciones y cambios de normas. El contexto es un producto continuo, no un fichero que se entrega el día del lanzamiento.
Métricas para comprobar el resultado
- respuestas respaldadas por fuentes válidas;
- correcciones realizadas por expertos;
- conflictos o carencias detectados cada semana;
- tiempo necesario para actualizar una definición;
- acciones bloqueadas correctamente por política;
- tareas completadas sin retrabajo manual;
- uso de contexto obsoleto o irrelevante.
El contexto es infraestructura de negocio
Un agente fiable debe saber algo más que «lo que pone en los documentos». Necesita comprender qué conceptos se relacionan, qué regla está vigente, de dónde procede un dato y hasta dónde puede actuar. La ingeniería de contexto convierte conocimiento fragmentado en una capacidad común para agentes, aplicaciones y automatizaciones.
ProativaIA desarrolla soluciones de IA y automatización, software a medida e integraciones empresariales. Podemos identificar un caso de uso, construir su capa de contexto y poner agentes conectados al negocio en producción de forma segura.