Context Graph: investigadores enseñan a los agentes de IA corporativos a trabajar sin que se les pregunte

El 10 de julio de 2026, un equipo de investigadores publicó en arXiv un artículo sobre Context Graph, una estructura de datos relacional viva que lleva a los agentes de IA corporativos de un modo pasivo, de «esperar la pregunta», a uno proactivo. En pruebas con tres escenarios de negocio, el tiempo medio para obtener la información necesaria bajó de 47 minutos a menos de 30 segundos.

Por qué el modo reactivo frena la IA corporativa

Los autores señalan un problema de fondo en los sistemas RAG y los marcos de agentes actuales: esperan una consulta. El empleado debe darse cuenta de que necesita información, formularla correctamente y acudir al sistema, lo que genera un retraso de entre minutos y horas. Además, se pierde una parte considerable de señales críticas: la persona simplemente no sabía que debía preguntar, o estaba ocupada con otra tarea cuando ocurrió el evento importante.

Context Graph cambia esta lógica de raíz. En lugar de responder a una consulta, el sistema construye un modelo vivo de la empresa y emite una notificación por sí mismo cuando aparece un cambio significativo. El grafo almacena objetos de negocio (contratos, incidentes, acuerdos, tareas), sus relaciones y el historial de transiciones entre estados. Todo se actualiza de forma continua y en tiempo real, sin intervención del usuario.

Cómo funcionan los tres componentes del sistema

La arquitectura de Context Graph consta de tres capas sucesivas, cada una con un papel propio en la cadena que va del evento a la notificación:

• Delta Detection Engine supervisa de forma continua el grafo en busca de cambios: actualizaciones de estado, cambios de responsable, nuevas relaciones, incumplimientos de plazos. Este componente es el que «detecta» que ha ocurrido algo.
• Proactivity Scorer clasifica las posibles notificaciones según tres parámetros: la urgencia del evento, su relevancia para un usuario concreto y la adecuación a su rol y contexto (persona-fit). Los autores derivaron una fórmula única, el Proactivity Score, que combina los tres indicadores en una sola prioridad numérica.
• Surfacing Layer: un LLM genera el mensaje final para el empleado, con su justificación y el contexto extraído del grafo. En la implementación de los autores, de esta capa se encarga la API de Anthropic Claude.

Toda la implementación en Python se basa en NetworkX y se incluye completa en el texto del artículo. Puede reproducirse desde cero sin dependencias adicionales.

Qué mostraron los tres casos corporativos

El sistema se probó en tres escenarios deliberadamente «genéricos», para demostrar la universalidad de la arquitectura y no su ajuste a un sector concreto:

• Gestión del ciclo de vida de contratos: seguimiento de estados, plazos y cambios de responsable
• Respuesta a incidentes en equipos de ingeniería: escalado temprano antes de que el desarrollador «note» el problema
• Seguimiento de la «higiene» del pipeline de ventas: supervisión de acuerdos estancados y actividades omitidas

Métricas finales frente al modo reactivo de referencia:

• Precision@5 = 0,83: de las 5 primeras notificaciones, el 83 % resulta realmente relevante
• False positive rate = 0,11: solo el 11 % de las notificaciones sobra
• Tiempo medio hasta la entrega de la información: de 47 minutos (modo reactivo) a menos de 30 segundos, una reducción de más de 90 veces

Qué significa

El trabajo lleva el concepto de «agente proactivo» de la discusión académica a un prototipo funcional de código abierto. Si los resultados se reproducen en producción, los sistemas de IA corporativos podrán ofrecer el contexto adecuado en el momento justo, sin consulta previa. Esto es especialmente valioso donde retrasarse con la información cuesta dinero: incidentes de ingeniería, contratos vencidos, un pipeline estancado.

Preguntas frecuentes

¿Qué LLM genera las notificaciones finales?

En la capa Surfacing Layer, los autores usan la API de Anthropic Claude, que genera las notificaciones con una explicación del contexto y la justificación de la prioridad para cada empleado concreto.

¿Dónde se encuentra el código de la implementación?

La implementación completa de extremo a extremo en Python, con NetworkX y la API de Anthropic Claude, está incluida directamente en el texto del artículo arXiv 2607.07721, disponible gratis en arxiv.org.