Nvidia lanza una pila de código abierto para contextualizar agentes de IA empresariales

Nvidia ha introducido Agent Knowledge Foundation, una nueva colección de código abierto diseñada para ayudar a los agentes de IA empresariales a dar sentido a los complejos datos internos. Anunciado en la conferencia GTC Berlin el 21 de octubre de 2026, este kit de herramientas tiene como objetivo resolver la brecha de contexto que suele afectar a los grandes modelos de lenguaje cuando interactúan con información empresarial estructurada. Este movimiento posiciona a Nvidia como proveedor de capas de inteligencia fundamentales, más que como un competidor directo de las plataformas de datos existentes.

Qué ocurrió

El principal desafío para las empresas hoy no es solo conectar la IA a las fuentes de datos, sino garantizar que la IA comprenda las relaciones dentro de esos datos. Mientras proveedores como Snowflake, Databricks y Palantir gestionan el almacenamiento y los controles de acceso, no siempre proporcionan la comprensión semántica que los agentes necesitan para realizar tareas complejas. La nueva Agent Knowledge Foundation de Nvidia, añadida a su Agent Toolkit, agrupa varios componentes clave: modelos Nemotron Retriever, una biblioteca Auto-Ontology, la familia de modelos Kumo para datos estructurados y bibliotecas de procesamiento de datos CUDA-X. Este enfoque permite a las empresas mantener sus datos en su lugar mientras mejora cómo los agentes los interpretan.

Adel El Hallak, vicepresidente de producto para IA agéntica en Nvidia, destacó las limitaciones de las configuraciones actuales. Señaló que simplemente conectar un agente a sistemas como Snowflake o intercambios de correo electrónico no otorga mágicamente a la IA una comprensión del contexto empresarial. Los grandes modelos de lenguaje son excelentes para predecir el siguiente token, pero tienen dificultades con consultas específicas a través de hojas de cálculo multi-pestaña o bases de datos dispares. La nueva fundación busca cerrar esta brecha mejorando la precisión de la recuperación y mapeando los datos brutos a conceptos empresariales significativos.

Cómo funciona

La fundación se basa en tres pilares tecnológicos principales. Primero, el modelo de incrustación Nemotron Retriever mejora la relevancia de búsqueda al centrarse en la precisión sobre la velocidad para búsquedas individuales. Nvidia afirma que esto reduce el número total de pasos de búsqueda requeridos, disminuyendo finalmente la latencia general. En pruebas con una configuración OpenSearch de código abierto, el modelo mejoró la relevancia de búsqueda en un 65%. Socios como SAP y ServiceNow han reportado ganancias significativas de rendimiento, con el reranker ajustado por SAP funcionando casi tres veces más rápido y ServiceNow logrando mejor calidad con un 25% menos de latencia.

Segundo, la biblioteca Auto-Ontology va más allá de la generación aumentada por recuperación (RAG) simple mediante la construcción de grafos de conocimiento. Estos grafos mapean las relaciones entre conceptos, como vincular "nivel" con "plan" en datos de operadores móviles, algo que los LLMs suelen confundir. Esta biblioteca fue reforzada por la adquisición de Illumex por parte de Nvidia, una startup israelí especializada en capas semánticas automatizadas, por aproximadamente $75 millones en febrero. La biblioteca expone una API REST y un servidor de Protocolo de Contexto de Modelo, permitiendo a los agentes consultar estas relaciones estructuradas directamente.

Tercero, la familia de modelos Kumo maneja predicciones sobre datos relacionales. Adquirida por Nvidia en junio en una operación valorada en más de $400 millones, Kumo proporciona modelos fundamentales para datos tabulares. Estos modelos reemplazan los pipelines personalizados previamente construidos para tareas específicas como la predicción de abandono o el análisis de sentimiento. Al armonizar los datos a través de ontologías, los modelos Kumo pueden impulsar analíticas predictivas consistentes a través de diferentes tablas.

Detalles clave

• Paquete de componentes: La Agent Knowledge Foundation incluye modelos Nemotron Retriever, biblioteca Auto-Ontology, modelos Kumo y bibliotecas CUDA-X.
• Ganancias de rendimiento: Nemotron Retriever elevó la relevancia de búsqueda en un 65% en pruebas de OpenSearch; el reranker de SAP funcionó tres veces más rápido.
• Automatización de ontologías: La biblioteca Auto-Ontology construye grafos de conocimiento a partir de tablas de empresa, mapeando datos brutos a conceptos empresariales como clientes y pedidos.
• Adquisiciones estratégicas: Nvidia adquirió Illumex por ~$75 millones en febrero y Kumo por >$400 millones en junio para apoyar esta pila.
• Integración con socios: La pila se integra con Palantir Foundry, Databricks Genie Ontology y Snowflake Notebooks, dejando el control de acceso a los socios.
• Distribución: Los modelos se distribuyen a través de Hugging Face, siguiendo el acuerdo de $12.9 mil millones de Nvidia para adquirir la plataforma en septiembre.

Por qué importa

Para ingenieros de software y líderes técnicos, este lanzamiento señala un cambio hacia componentes modulares de código abierto para construir flujos de trabajo agénticos. En lugar de depender de soluciones monolíticas de proveedores para cada capa de la pila de IA, los equipos ahora pueden integrar modelos especializados para recuperación, mapeo semántico y predicción. Esta modularidad permite un control más fino sobre el rendimiento y el costo, particularmente al tratar con datos empresariales de alto volumen donde la latencia y la precisión son compensaciones críticas.

Además, el énfasis en las ontologías aborda un punto de dolor persistente en las implementaciones de RAG: la falta de comprensión estructural. Al automatizar la creación de capas semánticas, Nvidia reduce el esfuerzo manual requerido para alinear esquemas de base de datos con consultas de lenguaje natural. Esta armonización habilita analíticas predictivas más confiables y reduce los riesgos de alucinación asociados con la recuperación de texto no estructurado. También clarifica la división del trabajo en el ecosistema de IA empresarial, con Nvidia proporcionando las capas de inteligencia y socios como Snowflake gestionando la seguridad y la gobernanza de datos.

Qué puedes hacer

• Evalúa los modelos Nemotron Retriever en tu infraestructura de búsqueda actual para medir posibles mejoras de relevancia.
• Explora la biblioteca Auto-Ontology para mapear tus tablas de base de datos existentes a conceptos empresariales utilizando la API REST proporcionada.
• Prueba los modelos Kumo para tareas de datos tabulares como predicción de abandono o detección de anomalías para reemplazar pipelines personalizados.
• Revisa las opciones de integración con tu plataforma de datos actual, como Snowflake Notebooks o Databricks Genie Ontology.
• Monitorea el repositorio de Hugging Face para actualizaciones de los modelos de pesos abiertos Kumo y Nemotron.
• Evalúa si tu equipo necesita construir capas semánticas personalizadas o si las herramientas automatizadas en la fundación son suficientes.