Ontología de datos: qué es, la diferencia con la taxonomía y por qué el registro maestro la necesita para que la IA funcione

La ontología de datos es la representación formal de los conceptos de un dominio y de las relaciones entre ellos: lo que la empresa entiende por cliente, proveedor, material, contrato, centro de costo, y cómo esas entidades se conectan entre sí. No es un glosario suelto ni una lista de términos. Es un mapa de significado, con reglas, que dice que un proveedor puede tener varios centros de distribución, que un material pertenece a una familia y que un contrato está ligado a un proveedor homologado y a un centro de costo específico.

En casi treinta años trabajando con datos maestros y SAP, vi a muchas empresas confundir ontología con taxonomía y con diccionario de datos. Son primas, pero no son lo mismo, y esa confusión sale cara cuando el tema se convierte en un proyecto de inteligencia artificial.

Ontología, taxonomía y metadatos: cuál es la diferencia

La taxonomía es jerarquía. Piensa en la clase de biología: reino, filo, clase, orden, familia, género, especie. En el maestro de materiales funciona igual: grupo, subgrupo, categoría, ítem. Organiza de arriba hacia abajo, una caja dentro de otra.

La ontología va más allá de la jerarquía. Describe la relación entre conceptos que no son padre e hijo. Un proveedor se relaciona con un contrato, un contrato se relaciona con un centro de costo, un centro de costo se relaciona con una unidad de negocio. La ontología dice cómo conversan entre sí esas piezas, no solo en qué estante vive cada una.

El metadato es otra cosa todavía: es el dato sobre el dato, el campo que describe al campo. El metadato dice que la columna se llama CNPJ (el número de registro de empresas de Brasil), que es un campo de texto, que tiene quince posiciones y que es obligatorio. La ontología usa metadatos, pero no se resume en ellos.

La empresa que solo tiene taxonomía sabe clasificar. La empresa que tiene ontología sabe explicar cómo se conectan las cosas, y eso es lo que hace que un sistema, o un agente de IA, tome la decisión correcta sin preguntar dos veces.

Cómo funciona la ontología de datos en la práctica

Voy a contar un ejemplo que viví en un proyecto de SAP. Una empresa de bienes de consumo tenía el maestro de materiales organizado por taxonomía: grupo de mercancías, división, familia. Bonito en el papel. Solo que, cuando el equipo de compras preguntaba qué proveedores homologados atendían cierta familia de material, en cierta región, con cierto plazo de entrega, el sistema no respondía. La información existía, esparcida en tablas diferentes, sin relación formal entre material, proveedor, región y plazo.

Construir la ontología allí significó declarar, de forma explícita, que un material pertenece a una familia, que una familia puede ser abastecida por un conjunto de proveedores homologados, que cada proveedor atiende ciertas regiones y que cada relación proveedor-región tiene un plazo promedio de entrega asociado. Eso no es un campo más en la tabla. Es una estructura de relaciones que el sistema de MDM, el ERP y, más recientemente, el agente de IA pueden recorrer para responder preguntas de verdad.

Hoy, con empresas probando agentes de IA para sugerir un proveedor alternativo o para hacer la selección previa de cotizaciones, esa estructura dejó de ser un lujo del arquitecto de datos. Sin ella, la IA responde con lo que encuentra suelto en el texto, y lo que encuentra suelto suele estar equivocado.

Quién es responsable de la ontología dentro de la empresa

La ontología no nace lista de un proveedor de software. Nace de la conversación entre quien entiende el negocio y quien entiende los datos. Normalmente el arquitecto de datos lidera el modelado técnico, pero quien define el significado de cada concepto es el área de negocio: compras dice qué es un proveedor homologado, mantenimiento dice qué es un activo crítico, ventas dice qué es un cliente estratégico.

El data steward entra para garantizar que esa definición se convierta en regla aplicada en el alta y mantenimiento del día a día, y no en un documento olvidado en una carpeta compartida. La gobernanza de datos entra para arbitrar cuando dos áreas discrepan sobre el significado del mismo término, lo que ocurre más de lo que se imagina. Ya vi a compras y jurídico discrepando sobre qué cuenta como proveedor activo, y sin un dueño formal de la decisión, cada sistema se queda con su propia versión de la verdad.

Qué herramientas sostienen la ontología de datos

Para modelar y mantener la ontología, la empresa normalmente combina una plataforma de MDM con una capa de catálogo y metadatos. En el universo del MDM, SAP MDG, Informatica, Stibo Systems, Reltio, Semarchy, Profisee y Ataccama ofrecen estructura para modelar entidades y sus relaciones. Para el catálogo de datos y la capa semántica, Collibra, Alation y Microsoft Purview ayudan a documentar y a conectar el significado de los términos con el dato real que circula en los sistemas.

Para quien trabaja con grafos de conocimiento, existen también herramientas específicas de modelado ontológico, más comunes en equipos de datos más maduros, que representan las relaciones en forma de grafo en lugar de tabla. Ninguna herramienta, por sí sola, crea la ontología. Ayuda a registrar y mantener lo que el negocio ya decidió. Quien decide el significado sigue siendo la gente, no la licencia de software.

Cómo aprender ontología de datos

En la mayoría de los planes de estudio no existe un curso llamado solo ontología de datos. Aparece dentro de las asignaturas de modelado de datos, arquitectura de la información y gobernanza, en el cuerpo de conocimiento del DAMA-DMBOK. Quien busca una certificación reconocida en el mercado, la CDMP de DAMA, estudia modelado conceptual, taxonomía, ontología y metadatos dentro del mismo capítulo, porque en la práctica se sostienen juntos.

El camino más rápido que vi funcionar es práctico: tomar un dominio real de la empresa, como proveedor o material, y dibujar a mano, en una pizarra, qué entidades existen y cómo se relacionan, antes de abrir cualquier herramienta. Después de eso, sí, estudiar modelado conceptual y lógico, entender la diferencia entre relación uno a uno, uno a muchos y muchos a muchos, y solo entonces llevar eso a una plataforma de MDM o de catálogo.

Las oportunidades de carrera

El profesional que entiende la ontología de datos suele transitar bien entre arquitectura de datos, gobernanza y, más recientemente, proyectos de inteligencia artificial aplicada, porque es exactamente esa estructura de relaciones la que sostiene a un agente de IA confiable. Al arquitecto de datos con esta habilidad lo buscan las empresas que están organizando sus datos maestros para un proyecto de IA, y el mercado paga más a quien logra traducir eso al negocio, no solo a un diagrama técnico.

La demanda crece junto con la carrera de las empresas por la IA generativa aplicada a procesos internos. Toda empresa quiere el agente que responde preguntas sobre proveedores, contratos o inventario. Pocas tienen la ontología organizada para que ese agente responda correctamente. Eso se convierte en una oportunidad real para quien ya trabaja con datos maestros y quiere diferenciarse.

Principales dudas sobre la ontología de datos

¿La ontología de datos es lo mismo que la taxonomía?

No. La taxonomía organiza por jerarquía, de arriba hacia abajo. La ontología describe relaciones entre conceptos que no siguen una jerarquía, como proveedor, contrato y centro de costo.

¿Toda empresa necesita una ontología formal?

No con la misma profundidad. Una empresa pequeña, con pocos sistemas, sobrevive con una taxonomía y un diccionario de datos bien hechos. Una empresa grande, con múltiples sistemas integrados y un proyecto de IA en marcha, extraña la ontología rápidamente.

¿Cuál es la relación entre la ontología de datos y el MDM?

El MDM es donde la ontología se convierte en regla aplicada en el día a día de los datos maestros. De nada sirve diseñar la ontología en un documento si el sistema de datos maestros no aplica esas relaciones al dar de alta un proveedor, un cliente o un material.

¿Por qué la inteligencia artificial depende tanto de esto?

Porque un modelo de lenguaje, o un agente que consulta los datos maestros, solo responde bien cuando la relación entre los conceptos está explícita en algún lugar. Sin ontología, la IA intenta adivinar la relación a partir de texto suelto, y adivinar con datos corporativos se convierte en un error caro.

¿Quién debería liderar este trabajo en la empresa?

El arquitecto de datos lidera el modelado técnico, pero la definición del significado de los términos tiene que venir de las áreas de negocio, con la gobernanza de datos arbitrando las divergencias entre áreas.

MDM Academy

MDM Academy es la escuela de gobernanza de datos y datos maestros de 4MDG. Nació para formar al profesional del que el mercado brasileño todavía tiene poco: gente que entiende los datos maestros, entiende el negocio y entiende cómo estructurar esas dos cosas dentro de un sistema de MDM de verdad, con ejemplos de SAP, compras y supply chain, no solo teoría.

Quien pasa por los cursos de MDM Academy sale con un camino estructurado para dominar el modelado de datos, la taxonomía, la ontología, la calidad de datos y la gobernanza aplicada, con el mismo tipo de ejemplo práctico que uso en los proyectos. Si quieres profundizar más allá de este artículo, vale la pena conocer MDM Academy o unirte al Club de los Datos, nuestra comunidad de profesionales de datos maestros y gobernanza que intercambian experiencia real todos los días.

Conclusión

La ontología de datos no es una moda de académicos ni un capítulo decorativo de un libro de gobernanza. Es la pieza que le faltaba a muchas empresas que invirtieron en taxonomía, invirtieron en diccionario de datos, y aun así vieron tropezar su proyecto de IA porque el sistema no sabía cómo se relacionaban entre sí las entidades de los datos maestros.

Quien organiza esa estructura ahora se adelanta, porque no tendrá que rehacer todos los datos maestros cuando el próximo agente de IA llegue a la puerta pidiendo una respuesta correcta sobre proveedor, material o cliente. La buena gobernanza siempre fue sobre eso: decidir el significado antes de que el sistema, o la inteligencia artificial, decida por ti.