El 67% crea semantic layer pero sus agentes IA no lo usan

El hallazgo que incomoda: construyes la capa, pero el agente lee en otro lado

El VB Pulse tracker de VentureBeat siguió entre junio y agosto cómo las empresas están abordando el problema clásico de los agentes de IA: dar respuestas correctas sobre el negocio propio. El resultado, publicado en octubre, dibuja una paradoja incómoda. El 67% de los encuestados en agosto dijo que su organización ejecuta, pilota o construye un governed semantic layer (frente al 58% en junio y 63% en julio). Sin embargo, solo el 13% nombró esa capa como la fuente principal de contexto de negocio para sus agentes, por debajo del 32% que apuesta por retrieval sobre documentos, del 21% que ejecuta consultas directas contra sistemas en vivo (SQL, APIs, servidores MCP) y del 19% que carga documentos completos en la ventana de contexto del modelo.

En otras palabras: la mayoría invierte en una capa semántica gobernada, pero después deja que sus agentes lean el negocio por otra vía. La consecuencia llega rápido. El 64% de los encuestados en agosto atribuyó una respuesta confiadamente incorrecta de su agente a contexto de negocio faltante o inconsistente en los últimos seis meses.

Por qué falla el agente aunque tengas un semantic layer

El semantic layer existe para responder preguntas que parecen simples pero son traicioneras: qué cuenta como ingreso recurrente, qué cliente es el vigente, qué define un usuario activo. Sin una definición compartida, un agente entrega una respuesta "dicen" técnicamente plausible y operativamente equivocada.

Pero tener la capa no basta. El tracker VB Pulse encontró que las empresas que ejecutan, pilotan o construyen un semantic layer reportan respuestas confiadamente incorrectas en el 78% de los casos, frente al 37% en empresas que todavía lo evalúan o no tienen planes. El patrón se repitió en la ola de julio: 89% contra 35%. La brecha se mantiene incluso descartando a quienes no corren agentes sobre datos propios o no rastrean la causa raíz.

El reporte de VentureBeat ofrece dos lecturas posibles del hallazgo. La primera: la capa entrega una definición correcta contra la cual chequear respuestas malas, así que estas empresas detectan más sus propios fallos en lugar de producirlos más. La segunda, causation inversa: las empresas que ya sufrían fallos de contexto son las que salieron a construir una capa. El survey no permite distinguir cuál de las dos explica la brecha — ni si la capa cambia la tasa subyacente de fallos.

La nueva geografía del contexto: retrieval, queries directos y long-context

Las consultas directas a sistemas en vivo son la categoría que más se movió. En julio apenas el 11% las nombraba como fuente primaria de contexto; en agosto subió al 21%, un salto que el reporte marca como estadísticamente relevante. El retrieval sobre documentos (32%) y las consultas directas (21%) están demasiado cerca para declarar un ganador.

El detalle clave es que ninguna de estas vías lleva, por defecto, una definición de negocio gobernada. Una consulta directa devuelve lo que está en la tabla sin decirle al agente qué significa la columna. La carga de long-context entrega material crudo sin necesariamente aportar una definición acordada de los términos del negocio. Cualquiera de las dos puede emparejarse con una capa gobernada; el survey no pregunta si los encuestados lo están haciendo.

Esto explica por qué los vendors están moviéndose hacia las consultas directas con capas de contexto agregadas en distintos lugares del pipeline.

Cómo lo están resolviendo los vendors: OpenAI, Snowflake y Keewano

OpenAI lanzó en septiembre su Data agent dentro de ChatGPT Work, conectando directamente a almacenes como Snowflake, Databricks, BigQuery, Amazon Redshift, MongoDB y ClickHouse, además de archivos en Google Drive y SharePoint, según Unite.ai. El agente aplica los términos, definiciones de métricas, cálculos personalizados y relaciones del negocio que obtiene de capas semánticas y fuentes como Databricks Genie Ontology, dbt, GitHub, Snowflake Horizon y dashboards de BI existentes. Preguntado por VentureBeat sobre si construye una capa persistente, Arpan Shah, general manager de la vertical de tecnología enterprise en OpenAI, respondió: "It combines all the various contexts in their state, as opposed to generating a net new context layer itself".

Snowflake anunció Horizon Context en Snowflake Summit 26, según Yahoo Finance, con capacidades semánticas y de gestión de metadata que recolectan información de todo el data estate, la enriquecen con definiciones, linaje y gobernanza, y la exponen a sistemas de IA y analytics. BlackRock ya usa Horizon Context, y Snowflake sumó Semantic Studio y el Semantic View Autopilot para reducir la dependencia de ingenieros SQL a la hora de mantener definiciones. Más tarde lanzó Cortex AI Gateway, según ChannelE2E, como plano de control que centraliza autenticación, permisos, costos y observabilidad de agentes, integrándose con Okta, 1Password, SailPoint, Saviynt, Aembit y Linx Security, y construido sobre la adquisición de la plataforma MCP Natoma en mayo.

Keewano lanzó KeewanoDB en septiembre, una base de datos en la que cada usuario, dispositivo y agente tiene su propia tabla y los queries nunca hacen join entre ellas. Mark Kardashov, cofundador y CEO de Keewano, describió al reporte de VentureBeat una capa semántica construida durante el ingestion usando modelos de lenguaje, que adjunta contexto adicional a cada evento a medida que aterriza. Un query directo contra KeewanoDB no es, por defecto, un query sin contexto semántico detrás.

La diferencia no es trivial. Sanjeev Mohan, principal en SanjMo, lo resumió en agosto: *"Snowflake no vende routing, vende routing que nunca sale del límite gobernado del dato, con controles de acceso, *tagging* y atribución de costos ya adjuntos"*.

¿Qué significa esto para tu startup?

El survey confirma algo que muchos equipos están descubriendo a la fuerza: construir la capa semántica no decide qué lee el agente. Siete de cada diez empresas de la muestra la construyen; apenas una de cada diez la prioriza. Para un founder, el mensaje operativo es directo:

• Audita qué consume hoy tu agente. No confíes en que el semantic layer existente llega al modelo. Mapea si el contexto real viene de retrieval, de consultas SQL/API o de long-context, y mide con qué frecuencia la respuesta es "dicen". La métrica no es si tienes la capa, sino si el agente la usa.
• Empareja la vía con la definición. Si vas por consultas directas (la categoría que más creció, del 11% al 21%), exige que cada conexión a un almacén traiga consigo definiciones de negocio. Si vas por retrieval, ancla las definiciones en los chunks que se indexan. La capa sin acoplamiento al camino del query es gasto, no solución.
• Mide fallos de contexto como métrica de producto. El 78% de empresas con capa reportan respuestas incorrectas, frente al 37% sin ella. La lectura útil para un founder no es abandonar la capa, sino tratar la detección de respuestas incorrectas como un feature: el sistema que te dice dónde el agente se equivoca es el que escala.

El Semantic Layer Summit 2026, celebrado en Boston en mayo con más de 6.000 asistentes y participación de Anthropic, Snowflake, Databricks, ServiceNow, AtScale, WPP, Chevron y Carrefour, según Yahoo Finance, confirma que la infraestructura semántica se está consolidando como categoría. La pregunta para 2026 ya no es si necesitas una capa, sino cómo la enchufas al camino real por el que tu agente llega al dato.

Fuentes

• VentureBeat — Companies are building governed semantic layers. Most say their AI agents are getting context somewhere else
• Unite.ai — OpenAI Introduces Data Agent in ChatGPT Work to Analyze Company Data
• Yahoo Finance — Snowflake Advances Trusted AI with Snowflake Horizon Catalog
• InfoWorld — Snowflake's Horizon Context aims to give AI agents a common understanding of the business
• ChannelE2E — Snowflake unifies AI agent security, governance and cost controls with Cortex AI Gateway
• Yahoo Finance — Semantic Layer Summit 2026 Spotlights Business Context as Critical Infrastructure for Enterprise AI