)
Última actualización: 22 de octubre, 2026
**¿En qué se diferencian un knowledge graph, un context graph y una vector database? Un knowledge graph guarda hechos como cosas y los vínculos entre ellas. Una vector database guarda el texto como números para encontrar pasajes con un significado parecido. Un context graph registra cómo se tomaron las decisiones, para reutilizar precedentes. La mayoría de las memorias de IA necesitan más de uno.
TL;DR: puntos clave
- El Knowledge Graph de Google nació en mayo de 2012 con más de 500 millones de objetos y más de 3.500 millones de hechos sobre cómo se conectan.
- Un Knowledge Graph se construye con tripletas (sujeto, predicado, objeto), la unidad definida en RDF 1.1 Concepts del W3C, una Recomendación fechada el 25 de febrero de 2014.
- Una Vector Database encuentra texto por significado, pero Microsoft Research (2024) indica que la indexación basada en grafos dio respuestas más completas que la recuperación convencional en preguntas amplias sobre corpus de unos 1 millón de tokens.
- "Context Graph" es un término joven: Ashu Garg, de Foundation Capital (26 de diciembre de 2025), lo describe como trazas de decisión enlazadas entre cuentas, tickets, políticas, aprobadores y tiempo.
- En PoisonedRAG (USENIX Security 2025), cinco textos maliciosos por pregunta objetivo, colocados en una base de conocimiento de millones de textos, lograron un 90 % de éxito de ataque.
- OWASP recoge las debilidades de vectores y embeddings como LLM08 en su Top 10 de 2025 para aplicaciones con LLM.
De un vistazo: las tres estructuras, una al lado de otra
Las tres estructuras responden a preguntas distintas. Un knowledge graph responde "¿cómo se conectan estas cosas?", una vector database responde a "¿qué texto se parece a esto?" y un context graph responde "¿por qué se hizo esto?". La tabla las pone juntas en lenguaje llano antes de que las secciones siguientes profundicen en cada una.
| Knowledge Graph | Context Graph | Vector Database | |
|---|---|---|---|
| Pregunta que responde | ¿Cómo se conectan estas cosas? | ¿Por qué se decidió esto y qué precedente aplica? | ¿Qué texto se parece a esto? |
| Qué guarda | Entidades y vínculos etiquetados entre ellas | Trazas de decisión enlazadas entre personas, políticas y tiempo | Embeddings: listas de números para fragmentos de texto |
| Es mejor en | Respuestas precisas que siguen vínculos | Precedentes reutilizables y un rastro de auditoría | Búsqueda rápida y difusa sobre texto desordenado |
| Punto débil | Requiere extracción y mantenimiento | Término joven, sin estándar formal, exige registrar las decisiones | Encuentra pasajes parecidos, no relaciones |
| Analogía cotidiana | Un mapa de personas, proyectos y quién es responsable de qué | Un expediente de por qué el equipo eligió A en vez de B | Un bibliotecario que encuentra las páginas que parecen relevantes |
| Piezas habituales | Tripletas RDF, bases de datos de grafos de propiedades como Neo4j | Emergente, sin estándar común | Modelos de embeddings más índices de vecinos más cercanos aproximados, como HNSW |
Cómo las comparamos
Comparamos las tres según lo que guarda cada una, la pregunta que mejor responde, cómo se construye y dónde falla. Las definiciones salen de fuentes primarias: el anuncio de Google de 2012, la especificación RDF del W3C, el estudio de Hogan y colegas, los artículos originales de RAG y HNSW, el artículo de GraphRAG de Microsoft y el ensayo de Foundation Capital sobre Context Graphs. El ejemplo de equipo que verás más abajo es inventado y sirve de ilustración.
¿Qué es un Knowledge Graph?
Un knowledge graph guarda la información como una red de información y las relaciones entre ella. Cada hecho es un vínculo pequeño, como "Priya es responsable de la renovación de Acme", y miles de vínculos forman un mapa sobre el que puedes preguntar. Google llevó la idea al gran público en 2012, y hoy las empresas construyen versiones privadas con sus propios datos.
Hechos como tripletas y vínculos etiquetados
La forma más simple es la tripleta. Según el W3C (2014), una tripleta RDF tiene un sujeto, un predicado y un objeto, y un grafo RDF es un conjunto de tripletas. "Priya", "es responsable de", "renovación de Acme" es una tripleta. Añade "renovación de Acme", "depende de", "soporte de SSO" y los dos hechos quedan conectados por el elemento que comparten.
Un segundo estilo es el property graph. Según la documentación de Neo4j, los nodos representan entidades. Las relaciones unen un nodo de origen con uno de destino, con una dirección y exactamente un tipo. Ambos pueden guardar propiedades de clave y valor. En la práctica puedes guardar en el propio vínculo la fecha en que se escribió una nota. Los dos estilos describen la misma idea: información, vínculos y detalles de cada uno.
¿Dónde ya te cruzas con Knowledge Graphs?
Según Google (2012), su Knowledge Graph contenía en el lanzamiento más de 500 millones de objetos y más de 3.500 millones de hechos y relaciones. Eso permitió que el buscador respondiera sobre personas, lugares y cosas concretas en vez de limitarse a casar palabras clave. El estudio de Hogan y colegas (2021) abarca tanto los Knowledge Graphs abiertos como los privados que las empresas construyen sobre sus datos.
¿Cómo se construye un Knowledge Graph?
Construir uno sigue los mismos pasos, lo haga una persona o un programa:
- Decide qué cosas importan: personas, proyectos, clientes, decisiones, archivos.
- Extrae esas cosas y sus vínculos del material de origen, a mano, con reglas o con un modelo de lenguaje.
- Fusiona duplicados, para que "Priya", "Priya S." y "P. Shah" sean un solo nodo.
- Guarda los nodos y los vínculos en una base de datos de grafos.
- Consulta el grafo con un lenguaje de consulta de grafos, o deja que un modelo convierta una pregunta normal en una consulta.
El estudio de Hogan y colegas cubre cada etapa, desde los modelos de datos y los lenguajes de consulta hasta crear, enriquecer y refinar el grafo. La vía del modelo de lenguaje aparece en el artículo de GraphRAG de Microsoft Research (2024). Un modelo extrae de los documentos un grafo de entidades y relaciones. Después el grafo se agrupa en clústeres de entidades muy relacionadas, y el modelo redacta de antemano un resumen de cada clúster.
Ventajas y límites de un Knowledge Graph
La ventaja principal es que las respuestas pueden seguir vínculos. "¿Quién es responsable de la auditoría SOC 2 y qué queda bloqueado hasta que termine?" es una pregunta de dos saltos, y un grafo recorre ambos sin adivinar. El camino que siguió sirve además de explicación que puedes enseñar a un compañero.
Los límites son prácticos. Alguien tiene que definir qué cuenta como cosa, la extracción comete errores, se cuelan duplicados y los hechos caducan si nada los actualiza. Un Knowledge Graph también es malo para "búscame el párrafo que se parece a esto", porque las sensaciones no viven en los vínculos.
)
¿Qué es una Vector Database?
Una Vector Database guarda el texto como embeddings, largas listas de números colocadas de modo que los significados parecidos queden cerca, y devuelve las coincidencias más próximas a una pregunta. Es el motor de la mayoría de los sistemas de generación aumentada por recuperación (RAG), donde el sistema busca unos pocos pasajes relevantes y se los entrega al modelo antes de que responda.
¿Cómo funciona una búsqueda vectorial?
La receta es corta. Divide tus notas en fragmentos, pasa cada fragmento por un modelo de embeddings y guarda los números. Cuando llega una pregunta, conviértela en números del mismo modo y recupera los fragmentos más cercanos. Compararla con todos los fragmentos se vuelve lento a gran escala, así que la mayoría de los sistemas usa búsqueda aproximada de vecinos más cercanos.
Según Malkov y Yashunin (2016), un método muy conocido, HNSW, apila varias capas de grafos sobre los datos. La búsqueda empieza en una capa superior poco densa y va descendiendo, lo que da un escalado logarítmico. El índice de muchas bases de datos vectoriales es en sí mismo un grafo, pero un grafo de puntos en el espacio, no de hechos sobre el mundo.
¿Por qué la búsqueda vectorial se volvió la opción por defecto?
Lewis y colegas (2020) combinaron un modelo que genera texto con un índice externo de pasajes de Wikipedia guardados como vectores densos y consultados con un recuperador neuronal. Ese es el patrón que siguen todavía los sistemas RAG. El conocimiento queda fuera de los pesos del modelo y se recupera cuando hace falta. Por eso una base de datos vectorial suele ser lo primero que añade un equipo cuando quiere que un asistente responda con sus propios documentos.
¿Dónde se queda corta una Vector Database?
La búsqueda vectorial devuelve pasajes que suenan parecido. No sabe que dos pasajes hablan de la misma persona, que una decisión sustituyó a otra ni quién aprobó qué. Según Microsoft Research (2024), el RAG convencional funciona con preguntas concretas de datos puntuales, pero falla con preguntas amplias sobre todo un corpus, como sus temas principales.
El tiempo es otra laguna. Una nota antigua y una más reciente pueden parecer igual de relevantes para una búsqueda por similitud.
¿Qué es un Context Graph?
Un Context Graph es una idea más reciente: un grafo que registra cómo se tomaron las decisiones, con excepciones, aprobaciones y precedentes, para que personas y agentes vean por qué se permitió algo. El término sale de textos del sector y no de un estándar formal, así que espera que las definiciones sigan cambiando.
Trazas de decisión, en lenguaje llano
Según Ashu Garg, de Foundation Capital (2025), las trazas de decisión son registros de cómo se resolvió un caso concreto. Incluyen la excepción concedida, la anulación, la aprobación, el precedente citado y cómo se aplicó una regla general. La mayoría de las empresas no guarda ese razonamiento. Vive en hilos de chat, en llamadas y en la memoria de las personas.
Un Context Graph es la estructura que aparece cuando se enlazan muchas trazas de decisión entre cuentas, tickets, políticas, aprobadores y tiempo. Eso hace que el precedente se pueda buscar. Por ejemplo: "la última vez que un cliente pidió una prueba más larga, ¿quién la aceptó y por qué?".
¿Qué NO es un Context Graph?
El ensayo de Garg deja claro que el grafo explica por qué se permitió una acción, no lo que ocurrió dentro de la cabeza de un modelo. A nuestro juicio tampoco sustituye a un Knowledge Graph. Un Knowledge Graph puede contener las entidades, como clientes, políticas y personas, y las trazas de decisión añaden las elecciones que las conectan a lo largo del tiempo.
Trátalo como un patrón de diseño más que como una categoría de producto. A diferencia de RDF, que tiene una Recomendación del W3C, los Context Graph no tienen una especificación formal que sepamos. El ensayo es además el argumento de un inversor, así que léelo como una perspectiva, no como una medición.
¿Cuándo merece la pena un Context Graph?
Compensa cuando las decisiones se repiten y alguien pregunta después "¿por qué hicimos eso?": descuentos, excepciones, aprobaciones, llamadas de incidente. Para un montón personal de notas probablemente nunca lo necesites. El coste es registrar. Una decisión es difícil de reconstruir después, así que la traza hay que escribirla en el momento en que se decide.
Un ejemplo, tres formas: una semana de reuniones de equipo
Piensa en un equipo de cinco personas que dedicó una semana a tres llamadas con clientes, una carpeta de notas compartida y un canal de chat muy activo. Una base de datos vectorial encuentra el párrafo que menciona la renovación. Un Knowledge Graph muestra quién es responsable de ella y de qué depende. Un Context Graph muestra por qué se aprobó el descuento. Mismo material, tres preguntas distintas.
| Pregunta que haces | Mejor estructura | Qué devuelve |
|---|---|---|
| ¿Qué dijimos sobre SSO este mes? | Base de datos vectorial | Pasajes coincidentes de notas y chats |
| ¿Quién es responsable de la auditoría SOC 2 y qué depende de ella? | Knowledge Graph | Una persona, un proyecto y los elementos enlazados |
| ¿Por qué dimos a Acme una prueba más larga? | Context Graph | La aprobación, la excepción y el precedente detrás |
| ¿Cuáles son los temas principales de las llamadas de este trimestre? | Knowledge Graph con resúmenes por clúster | Resúmenes por grupo de entidades relacionadas, el enfoque GraphRAG |
| ¿Qué decidimos sobre los precios? | Una mezcla de las tres | Pasajes candidatos, las personas implicadas y la decisión registrada, con fuentes |
Las filas segunda y tercera son donde se acaba la similitud simple. Un montón de texto no dice que la persona de las notas de la llamada es la responsable del plan de proyecto. Esa conexión es justo lo que guarda un grafo.
Visto como imagen, el grafo es además la parte que puedes mirar. Verás puntos para personas, proyectos y decisiones, líneas entre ellos y clústeres donde se agrupan las cosas relacionadas, como las notas de ventas junto a los hilos de soporte. Un índice de similitud es invisible en comparación, y por eso los grafos son buenos diagramas para enseñar.
Knowledge Graph, Context Graph y Vector Database: ¿cómo los distinguimos?
La prueba más rápida es la pregunta que necesitas responder. Si es "búscame algo parecido a esto", usa búsqueda vectorial. Si es "cómo se conecta esto con aquello", usa un Knowledge Graph. Si es "por qué decidimos esto", necesitas trazas de decisión, que es lo que organiza un Context Graph. Los proyectos reales suelen necesitar dos o las tres.
Consulta, coste y mantenimiento
| Knowledge Graph | Context Graph | Vector Database | |
|---|---|---|---|
| Cómo preguntas | Consultas de grafos que siguen vínculos, o una pregunta normal convertida en una | Sigues una cadena de decisiones, aprobadores y políticas | Una pregunta normal convertida en números y comparada |
| Explicabilidad | Alta: puedes mostrar el camino de vínculos | Alta si se registran las trazas: muestra aprobaciones y precedentes | Menor: muestra pasajes parecidos y una puntuación de cercanía |
| Trabajo inicial | Definir entidades, extraerlas, fusionar duplicados | Registrar las decisiones cuando ocurren y enlazarlas con las entidades | Dividir el texto en fragmentos y elegir un modelo de embeddings |
| Cómo gestiona el cambio | Actualiza o sustituye los hechos afectados | Añade trazas nuevas y el precedente se acumula | Vuelve a calcular los embeddings del texto que cambió |
| Fallo típico | Entidades que faltan o se duplican en la extracción | Huecos donde nadie registró la decisión | Un pasaje que suena parecido pero es el equivocado |
Donde las fronteras se difuminan
Las etiquetas se solapan más de lo que sugieren las definiciones. HNSW, el índice de muchas bases de datos vectoriales, es un grafo. GraphRAG usa un Knowledge Graph construido a partir de texto para mejorar lo que puede responder la recuperación de tipo vectorial. Un Context Graph se apoya en las mismas entidades que contiene un Knowledge Graph. Además, los proveedores usan los tres términos con poco rigor. Una pregunta mejor que "¿qué etiqueta es esta?" es "¿qué se guarda y qué pregunta responde?".
¿Por qué la memoria de una IA suele mezclar las tres?
Un asistente que recuerda tu trabajo necesita a la vez recuerdo difuso y estructura precisa. Los vectores encuentran el párrafo adecuado entre miles de notas, un Knowledge Graph une personas, proyectos y archivos, y las trazas de decisión conservan las razones. Ese razonamiento está detrás de enfoques como GraphRAG, y por eso una memoria para IA suele necesitar más de una estructura.
GraphRAG: el híbrido mejor documentado
Según Microsoft Research (2024), GraphRAG funciona en dos etapas de indexación. Primero un modelo de lenguaje extrae de los documentos de origen un Knowledge Graph de entidades y relaciones. Después el grafo se agrupa en clústeres y el modelo escribe un resumen de cada uno. Para responder, el sistema redacta una respuesta parcial a partir de cada resumen de clúster y las combina.
En preguntas amplias sobre corpus de unos 1 millón de tokens, los autores indican respuestas más completas y más diversas que una referencia de RAG convencional. Son resultados de los propios autores sobre sus propios conjuntos de prueba, así que tómalos como una evidencia prometedora, no como un ranking universal.
¿Qué significa esto para un Second Brain?
Un Second Brain muestra las memorias de una persona o de un equipo como un grafo que puedes mirar, con clústeres donde se agrupan los elementos relacionados.
Pruebes el producto que pruebes, unas cuantas preguntas cortan a través de las etiquetas:
- ¿Puedes ver las fuentes detrás de una respuesta, o solo la respuesta?
- ¿Puedes ver y exportar lo que guarda la memoria, para poder irte?
- ¿Quién más puede leerla y cómo se decide?
- ¿Qué pasa cuando dos notas se contradicen?
Seguridad y gobernanza: riesgos de la memoria con grafos y vectores en agentes de IA
La memoria hace al agente más útil y da a los atacantes algo duradero a lo que apuntar. El Top 10 de 2025 de OWASP para aplicaciones con LLM recoge las debilidades de vectores y embeddings como LLM08, que abarca huecos de control de acceso, fugas entre contextos y contenido envenenado. El riesgo existe igual en grafos y en almacenes vectoriales.
| Riesgo | Cómo aparece | Aplica a | Control con el que empezar |
|---|---|---|---|
| Acceso no autorizado y fuga de datos | Un control de acceso débil permite recuperar datos personales o sensibles de la memoria | Grafo y vectorial | Acceso que respete permisos, con conjuntos de datos separados lógicamente (OWASP LLM08) |
| Fugas entre contextos | En entornos compartidos, los datos de un grupo aparecen en las consultas de otro | Grafo y vectorial | Separar los datos por grupo y etiquetarlos con niveles de acceso |
| Envenenamiento de memoria | Un texto plantado cambia las respuestas futuras: en PoisonedRAG, cinco textos maliciosos por pregunta objetivo lograron un 90 % de éxito de ataque | Grafo y vectorial | Validar fuentes, rastrear el origen de los datos y auditar contenido oculto |
| Inversión de embeddings | Un atacante puede reconstruir gran parte del texto original a partir de los embeddings guardados | Vectorial | Proteger los embeddings como el texto del que proceden |
| Vínculos que cruzan permisos | Un vínculo puede conectar un elemento público con uno restringido, así que las reglas de acceso deben seguir los vínculos (nuestra opinión de diseño) | Grafo y grafo de contexto | Comprobar permisos en cada salto de una consulta |
| Sin rastro de auditoría | Nadie sabe quién leyó o escribió qué | Grafo y vectorial | Registros detallados e inalterables de las recuperaciones (OWASP LLM08) |
Conviene fijarse otra vez en las cifras del envenenamiento. Según los autores de PoisonedRAG (USENIX Security 2025), inyectar cinco textos maliciosos por pregunta objetivo en una base de conocimiento de millones de textos logró un 90 % de éxito de ataque. La base era enorme y la aportación del atacante diminuta, y eso es lo que hay que recordar cuando una memoria acepta contenido de chats, correo o la web.
Los Context Graph ayudan de una forma concreta. Las trazas de decisión llevan procedencia: quién aprobó qué y cuándo. La lista de mitigaciones de OWASP para las debilidades vectoriales incluye validar las fuentes de conocimiento y rastrear de dónde vienen los datos, algo que encaja con la idea de las trazas de decisión.
La guía de NeuralTrust, Qué es el envenenamiento de memoria y contexto (Alessandro Pignati, 7 de enero de 2026), describe cómo los atacantes corrompen el conocimiento a largo plazo de un agente. Entre los objetivos están los índices RAG y los almacenes vectoriales, y el agente sigue tomando decisiones erróneas mucho después del ataque. El artículo recomienda aislamiento de contexto, rastreo de procedencia y auditoría de la memoria. NeuralTrust, compañía de seguridad para agentes de IA con sede en Barcelona, desarrolla Agent Runtime Security (TrustGuard) y un Agent Gateway (TrustGate). Ambos actúan en tiempo de ejecución, sobre lo que los agentes envían y llaman, y son independientes del diseño de memoria que elijas.
¿Cuál deberías elegir?
Elige según la pregunta que haces con más frecuencia, no según la etiqueta que suene más avanzada. Empieza por la estructura más simple que la responda y añade la siguiente cuando te topes con una pregunta que no puede manejar. Las reglas de acceso van primero en todos los casos, porque añadir permisos a una memoria que ya guarda los datos de todos es doloroso.
| Tu situación | Empieza por | Por qué |
|---|---|---|
| Un montón pequeño de notas y chats personales | Búsqueda vectorial | La búsqueda por similitud responde la mayoría de las preguntas cotidianas con poca preparación |
| Necesitas saber quién es responsable de qué y qué depende de ello | Knowledge Graph | Los vínculos responden directamente a preguntas de responsabilidad y dependencia |
| Agentes o equipos toman decisiones de criterio repetidas que debes justificar | Context Graph | Las trazas de decisión conservan las razones y el precedente |
| Memoria compartida de equipo entre reuniones, documentos y chat | Una mezcla, con fuentes visibles | Los vectores encuentran pasajes, los grafos los conectan y las fuentes te dejan comprobar |
| Varios equipos o clientes comparten un mismo almacén | Cualquiera de ellos, con acceso que respete permisos primero | OWASP señala las fugas entre contextos en entornos compartidos |
Conclusión
Un Knowledge Graph mapea cosas y sus vínculos, una base de datos vectorial encuentra texto con significado parecido y un Context Graph conserva las razones detrás de las decisiones. Ninguno sustituye a los demás. Para unas pocas notas, basta la búsqueda vectorial. Para un equipo, espera necesitar también vínculos y decisiones, y reglas de acceso desde el primer día. Elige según la pregunta que necesitas responder, no según la etiqueta.
¿Construyendo memoria compartida para tu equipo? Hablemos
NeuralTrust va a lanzar un producto de memoria para IA dirigido a personas y equipos que quieren ser dueños de lo que su IA sabe. Si estás sopesando grafos, vectores o ambos, reserva una demo y cuéntanos qué quieres que recuerden tus agentes.
Lecturas relacionadas
FAQs sobre Knowledge Graphs y Context Graphs
1. ¿Qué es un Knowledge Graph, en pocas palabras?
Un Knowledge Graph es un mapa de cosas y de cómo se relacionan. Cada hecho es un vínculo pequeño, como "Priya es responsable de la renovación de Acme". Miles de vínculos permiten que el software responda siguiendo conexiones en vez de casar palabras. La versión de Google, lanzada en 2012, contenía más de 500 millones de objetos y más de 3.500 millones de hechos.
2. ¿En qué se diferencia un Knowledge Graph de una Vector Database?
Un Knowledge Graph guarda hechos y vínculos explícitos, así que puede responder "quién es responsable de esto y qué depende de ello". Una base de datos vectorial guarda el texto como embeddings y encuentra pasajes con un significado parecido. El primero es preciso y explicable pero cuesta construirlo. El segundo es rápido de montar pero no sabe cómo se relacionan las cosas.
3. ¿Qué es un Context Graph?
Un Context Graph es un término reciente para un grafo de trazas de decisión: las excepciones, aprobaciones y precedentes detrás de las elecciones, enlazados entre cuentas, tickets, políticas, aprobadores y tiempo. Ashu Garg, de Foundation Capital, lo describió en diciembre de 2025. Todavía no existe un estándar formal, así que las definiciones varían entre autores y proveedores.
4. ¿Necesito un Knowledge Graph para RAG?
No. El RAG básico funciona solo con una base de datos vectorial y maneja bien las preguntas concretas de datos puntuales. Un Knowledge Graph ayuda cuando las preguntas son amplias o dependen de relaciones. El artículo de GraphRAG de Microsoft Research indica respuestas más completas en preguntas amplias sobre corpus de unos 1 millón de tokens, usando un grafo extraído de los documentos.
5. ¿Pueden trabajar juntas una Vector Database y un Knowledge Graph?
Sí, y muchos diseños de memoria para IA las combinan. La parte vectorial encuentra pasajes candidatos por significado, y la parte de grafo conecta las personas, proyectos y decisiones que esos pasajes mencionan. GraphRAG es el ejemplo mejor documentado: un modelo de lenguaje extrae un grafo de los documentos, lo agrupa en clústeres y responde desde los resúmenes de cada clúster.
6. ¿Qué riesgos de seguridad tiene la memoria con grafos y vectores?
Los principales son la fuga de datos por controles de acceso débiles, las fugas entre contextos en almacenes compartidos, el contenido envenenado y la inversión de embeddings. OWASP recoge las debilidades de vectores y embeddings como LLM08 en su Top 10 de 2025. En PoisonedRAG, cinco textos maliciosos por pregunta objetivo lograron un 90 % de éxito de ataque contra una base de millones de textos.
Sobre el autor
Roger Howroyd es Head of Global SEO and AI en NeuralTrust, donde lidera la estrategia de búsqueda de la compañía en SEO, AEO, GEO y optimización para LLM. Se especializa en búsqueda con IA, estrategia de contenidos y SEM. Conecta en LinkedIn.
NeuralTrust es la plataforma líder para proteger y escalar agentes de IA. Reconocida como Pioneer en el Gartner Emerging Market Quadrant for AI Application Security 2026, destacada en cuatro informes Gartner Hype Cycle de 2026 y presente en el Gartner Market Guide for Guardian Agents 2026, el Gartner Market Guide for AI Gateways 2025 y el KuppingerCole Leadership Compass for Generative AI Defense 2025. Sede en Barcelona con oficinas en Londres y Nueva York. Certificada ISO 27001.
Fuentes
- Google, Introducing the Knowledge Graph: things, not strings (16 de mayo de 2012)
- W3C, RDF 1.1 Concepts and Abstract Syntax (Recomendación, 25 de febrero de 2014)
- A. Hogan et al., Knowledge Graphs (arXiv:2003.02320, v6, septiembre de 2021)
- Neo4j, Graph database concepts (documentación, consultada el 22 de octubre de 2026)
- Y. Malkov y D. Yashunin, artículo que presenta los grafos Hierarchical Navigable Small World (HNSW) (arXiv:1603.09320, 2016)
- P. Lewis et al., Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks (arXiv:2005.11401, 22 de mayo de 2020)
- D. Edge et al., From Local to Global: A Graph RAG Approach to Query-Focused Summarization (Microsoft Research, arXiv:2404.16130, v2, 19 de febrero de 2025)
- A. Garg, AI's trillion-dollar opportunity: Context graphs (perspectiva de Foundation Capital, 26 de diciembre de 2025)
- OWASP GenAI Security Project, LLM08:2025 Vector and Embedding Weaknesses (2025)
- PoisonedRAG: Knowledge Corruption Attacks to Retrieval-Augmented Generation of Large Language Models (USENIX Security Symposium, agosto de 2025)