Axel Kaschte, Ph.D.
3 de agosto de 2026 · Este artículo es una traducción al español del original "AI needs context. Linked data provides.", publicado en el blog de OCLC Next.
La inteligencia artificial está en el centro de la conversación tecnológica actual. En congresos, titulares y hojas de ruta de producto, la IA está en todas partes. Al mismo tiempo, los datos enlazados, que en su día fueron un foco de atención prioritario, parecen haber perdido visibilidad.
Esa percepción puede llevar a una conclusión equivocada. La IA no está sustituyendo a los datos enlazados. Lo que hace es poner de manifiesto lo esencial que son los datos estructurados y conectados.
No se trata de prioridades que compitan entre sí, sino de tecnologías convergentes que evolucionan juntas y que, en muchos casos, se potencian mutuamente.
Para entender esta relación, hay que empezar por cómo funcionan realmente los sistemas de IA.
La mayoría de los sistemas de IA actuales, especialmente los basados en aprendizaje automático y redes neuronales, funcionan en dos fases: entrenamiento e inferencia.
Durante el entrenamiento, los modelos aprenden a partir de grandes volúmenes de datos. Estos ejemplos enseñan al sistema cómo funcionan los patrones, cómo fluye el lenguaje y cómo se relacionan los conceptos entre sí. Una vez entrenado, el modelo pasa a la fase de inferencia, en la que aplica lo aprendido a situaciones nuevas.
Este proceso es muy potente, pero plantea también sus retos.
El entrenamiento requiere grandes cantidades de datos, y la calidad importa tanto como la cantidad. Si la información de partida es inconsistente, incompleta o está mal estructurada, el modelo aprende a partir de ejemplos defectuosos. Cuando se combinan datos procedentes de múltiples fuentes, esas inconsistencias pueden multiplicarse.
Una vez desplegados, los sistemas de IA pueden generar resultados difíciles de verificar. Las alucinaciones, cuando un sistema genera respuestas convincentes pero incorrectas, siguen siendo un problema persistente.
Todo esto nos lleva a una pregunta central: ¿cómo podemos ofrecer a la IA un conocimiento mejor con el que trabajar?
Aquí es donde los datos enlazados desempeñan un papel fundamental.
Los datos enlazados organizan la información a través de relaciones estructuradas. En lugar de tratar los datos como registros aislados, conectan entidades y las relaciones que existen entre ellas, formando una red de conocimiento que las máquinas pueden interpretar con mayor facilidad.
Las bibliotecas llevan mucho tiempo creando este tipo de estructura a través de los metadatos. Formatos como MARC recogen descripciones muy completas de libros, autores, materias y ediciones. A medida que estos datos evolucionan hacia los datos enlazados, dejan de ser simplemente descriptivos: se vuelven interconectados y comprensibles para las máquinas a gran escala.
Según la experiencia de OCLC, utilizar metadatos estructurados como base de entrenamiento puede marcar una diferencia notable. Cuando las relaciones entre entidades ya están definidas, los modelos no necesitan inferir tanto a partir de patrones en bruto. La estructura ya viene incorporada en los propios datos.
Esto puede hacer que el entrenamiento sea más eficiente y ayudar a reducir el esfuerzo computacional necesario para obtener resultados útiles.
En pocas palabras: cuanto mejor organizado está el conocimiento, más fácil resulta para los sistemas de IA aprender de él.
Los beneficios no terminan en el entrenamiento. Los datos enlazados también permiten validar los resultados de la IA durante la fase de inferencia.
Un enfoque que está ganando cada vez más atención es la generación aumentada por recuperación (RAG) mediante grafos de conocimiento. En lugar de basarse únicamente en el resultado del modelo, los sistemas pueden contrastar sus respuestas con una fuente fiable de conocimiento estructurado.
En el trabajo de OCLC sobre sistemas de recomendación, las sugerencias generadas por IA pueden validarse frente a WorldCat para confirmar que los títulos existen y que las relaciones son correctas antes de devolver los resultados.
Esto añade una capa importante de fiabilidad. Reduce la probabilidad de obtener resultados con alucinaciones y ofrece una base más clara y trazable sobre cómo se generan las respuestas.
En lugar de depender únicamente del reconocimiento de patrones, los sistemas de IA pueden fundamentar sus respuestas en conocimiento verificable.
La relación entre la IA y los datos enlazados resulta aún más potente si se entiende como un ciclo continuo.
La IA puede analizar los metadatos existentes e identificar patrones, lagunas o conexiones ausentes. Esos hallazgos, a su vez, pueden utilizarse para enriquecer los datos subyacentes y ampliar el grafo de conocimiento.
Esos datos mejorados se convierten en la base de la siguiente ronda de entrenamiento.
Y el proceso continúa: entrenamiento, inferencia, validación y mejora.
En OCLC, este enfoque iterativo ya es una realidad, como demuestra nuestro proceso de desduplicación mediante IA en WorldCat. A principios de este año completamos una prueba piloto centrada exclusivamente en libros impresos en inglés dentro de WorldCat, en la que fusionamos 5.000.000 de registros duplicados recién detectados. Los libros impresos en inglés representan la categoría de duplicados más numerosa en WorldCat, y es también el formato que hemos probado y perfeccionado con mayor rigor en nuestras actividades de desduplicación basadas en aprendizaje automático hasta la fecha. Todavía estamos analizando los resultados, pero una cosa está clara: los resultados generados por IA pueden contrastarse con datos estructurados, y esos resultados, a su vez, pueden ayudar a refinar y ampliar los propios datos. Con el tiempo, tanto los datos como los modelos mejoran juntos.
Aquí es donde la idea de tecnologías convergentes se vuelve tangible. La IA y los datos enlazados no solo evolucionan en paralelo: cada uno mejora activamente la eficacia del otro.
El protagonismo actual de la IA puede dar la impresión de que el resto de tecnologías deben adaptarse o desaparecer. La relación entre la IA y los datos enlazados sugiere justo lo contrario.
La IA es muy potente, pero depende de un conocimiento estructurado y conectado para alcanzar todo su potencial. Los datos enlazados aportan precisamente esa base, organizando la información de forma que las máquinas puedan comprenderla, validarla y construir sobre ella.
Para las organizaciones que mantienen metadatos de calidad y bien estructurados, esto supone una ventaja significativa. Esos datos no se limitan a describir recursos: hacen posible una IA más precisa, más eficiente y más fiable.
La IA puede ser hoy la tecnología que acapara los titulares, pero su eficacia depende de contar con datos fiables y bien conectados. Los datos enlazados aportan precisamente ese contexto.
En OCLC, esta relación no es teórica. Es un área de inversión activa, en la que los datos enlazados y la IA evolucionan juntos para mejorar con el tiempo.
Lejos de sustituirse la una a la otra, estas tecnologías convergen. Y juntas, están transformando la forma en que el conocimiento puede organizarse, comprenderse y compartirse de manera más eficaz.
Este artículo está basado en el contenido de la presentación "Building Intelligence: Practical library applications of AI and Linked Data at OCLC", presentada por primera vez en la conferencia IFLA WLIC en Astaná, Kazajistán, en 2025. Puedes ver la grabación completa de la presentación con subtítulos en castellano.