NVIDIA KGMON queda segunda en la KDD Cup 2026 tras simplificar el harness de su agente

El equipo NVIDIA KGMON ha quedado en segundo lugar en la competición KDD Cup 2026 Data Agents. Los agentes debían responder preguntas en lenguaje natural, y las respuestas estaban repartidas en seis formatos de datos: bases de datos, archivos CSV y JSON, documentos de texto, PDF y vídeos de briefing. NVIDIA resume su receta en una frase: el harness del agente debe ser más pequeño, más claro y más fácil de verificar.

Qué problema resolvían los participantes

La KDD Cup es una de las competiciones de análisis de datos más antiguas y se celebra en el marco de la conferencia KDD. El track Data Agents pone a prueba lo que más suele fallar en la práctica empresarial. Los datos no están en una única tabla ordenada. Una parte de las cifras vive en SQL, otra en exportaciones, otra en un informe en PDF y otra se dice en la grabación de un briefing.

Para el agente, eso supone tres tareas a la vez. Tiene que entender la pregunta, decidir a qué fuentes acudir y construir la respuesta a partir de fragmentos en formatos distintos. Por ejemplo, para una pregunta sobre una región que ha perdido ventas hacen falta tanto los números de la base de datos como la explicación de un documento de texto. Un error en cualquier paso convierte una respuesta segura en una falsedad bien presentada.

Apostar por un harness pequeño

Se llama harness a todo el código que rodea al modelo de lenguaje: el ciclo de llamadas, el conjunto de herramientas, los prompts, las reglas de enrutamiento entre fuentes y la verificación del resultado. En los sistemas agénticos crece con rapidez. Cada excepción y cada parche añaden una capa, y a los pocos meses nadie sabe decir en qué paso se desvió el agente.

KGMON siguió el camino contrario. Según el anuncio, el equipo recortó el harness de forma deliberada y procuró que cada uno de sus elementos fuera comprensible y verificable. Para tareas analíticas, el enfoque tiene lógica: una respuesta basada en datos tiene una fuente, y esa fuente se puede contrastar. Cuanto más corta es la cadena entre la pregunta y la respuesta, más fácil resulta localizar dónde se ha roto.

Una salvedad importante: el anuncio publicado no incluye tabla de puntuaciones, nombre del modelo base, número de herramientas ni descripción de la arquitectura. Es probable que todo eso aparezca en el análisis completo del blog de NVIDIA. Afirmar más de lo que dice la fuente sería forzar los hechos.

Qué se sabe con certeza

• Resultado: segundo puesto en KDD Cup 2026 Data Agents.
• Equipo: NVIDIA KGMON.
• Datos de entrada: bases de datos, CSV, JSON, documentos de texto, PDF, vídeos de briefing.
• Formato de la tarea: preguntas en lenguaje natural; las respuestas hay que extraerlas de fuentes heterogéneas.
• Principio de la solución: un harness de agente más pequeño, más claro y más fácil de verificar.

Qué se puede aplicar en la práctica

A la compañía se la conoce sobre todo por sus GPU, pero también se muestra competente en agentes aplicados. Aun así, para los profesionales el principio importa más que el puesto en la clasificación. Si construyes un agente analítico dentro de tu empresa, la lección del caso KGMON es esta: primero simplifica y después complica.

En la práctica, esto implica varias cosas. Evalúa al agente por separado en cada tipo de fuente: la calidad en SQL no dice nada sobre la calidad en PDF. Mantén el conjunto de herramientas al mínimo y elimina todo lo que no influya en la métrica. Registra los pasos intermedios para poder rastrear cualquier respuesta hasta el archivo de origen. Y compara el esquema complejo con una línea base sencilla: si la mejora es pequeña, una capa más de harness solo genera problemas futuros.

Conviene esperar a la descripción técnica completa de la solución. Entonces quedará claro de qué se compone exactamente el harness «pequeño» de KGMON y hasta qué punto su experiencia se puede trasladar fuera de la competición.