Cómo dejamos de quemar tokens y dominamos la optimización con grafos de conocimiento para IA
Anoche pasé 3 horas probando Claude Code en una base de código fintech heredada de 500.000 líneas.
A las 2:14 AM, me quedé mirando la pantalla de métricas de nuestra API. El coste no había subido poco a poco. Explotó. Habíamos quemado 4.000 dólares en una sola noche.
Tres horas. Cuatro mil pavos. Desaparecidos.
Meter código en bruto a Claude es un suicidio financiero
Tratamos al LLM como a un triturador de basura. Metimos datos sin estructurar directamente en la ventana de contexto esperando magia.
No funcionó.
Alimentar modelos de lenguaje con datos en bruto sin contexto estructural es una forma garantizada de tirar el dinero. Peor aún: desata alucinaciones salvajes. El agente no entendía cómo se conectaba la pasarela de pagos con el esquema de usuarios. Se limitaba a leer y releer el mismo repositorio gigante, adivinando la arquitectura y cobrándonos cada token.
> Sin un mapa, un agente de IA no lee tus datos. Simplemente se pierde en ellos.
Ese fue el instante exacto en que me di cuenta de la realidad. Estábamos pagando una fortuna para que la IA estuviera confundida. Ese despilfarro masivo de tokens era inviable.
Detuvimos la prueba de inmediato. Cambiamos el volcado de texto plano por un grafo estructurado: mapeamos las relaciones exactas entre funciones antes de que la IA siquiera mirase el código. La diferencia fue radical. El coste en tokens se desplomó un 99,9 %, bajando nuestra factura de 4.000 dólares a exactamente 4 dólares. El agente entendió la arquitectura al instante.
Esto no es solo un dolor de cabeza para desarrolladores. Es un problema real para todo tu negocio.
Los compradores ya no hacen clic en tu web. Le preguntan directamente a agentes de IA. Y tus agentes de IA fallan porque no entienden las relaciones entre tus datos.
Si tus datos son un montón plano de texto, la máquina no puede leerlos. No puede conectar los puntos.
Estoy harto de los consejos que dicen a los fundadores que creen un Custom GPT y ya está. Si no estructuras tus datos para lectura machine-to-machine, eres invisible. O estás en el prompt, o no existes.
Pero entender que el texto plano es un callejón sin salida nos obligó a hacernos una pregunta que siempre habíamos esquivado: ¿qué significa exactamente optimizar para estos modelos?
---
Por qué el SEO tradicional y el RAG básico son callejones sin salida
¿Qué es la optimización con grafos de conocimiento para IA?
La optimización con grafos de conocimiento para IA es el proceso técnico de estructurar datos en nodos y aristas legibles por máquinas para aportar contexto estructural a los modelos de lenguaje, diferenciándose por completo del SEO tradicional porque prioriza la comunicación machine-to-machine frente a páginas web pensadas para humanos o rankings tradicionales de buscadores.
Estoy harto de los supuestos expertos que te dicen que basta con conectar un pipeline básico de RAG. No funciona. Al menos no para tareas complejas de IA.
Si tu SEO no tiene en cuenta la comunicación M2M (machine-to-machine), eres completamente invisible para los agentes de IA modernos. El manual de siempre está muerto. No puedes limitarte a optimizar para ojos humanos esperando que los bots lo descifren.
El espejismo del marcado Schema
Aprendimos esto por las malas. Intenté pasarle resolución de entidades estándar y marcado Schema básico a nuestro agente de código para refactorizar el proyecto. Pensé que los trucos clásicos de SEO servirían para entender el código.
Esperaba un mapa claro.
Fracasó por completo.
Miré la terminal con incredulidad. El agente alucinó dependencias inexistentes. Pasó por alto por completo la conexión entre nuestro módulo de autenticación y la base de datos principal. Estaba jugando a adivinar.
¿Por qué? Porque la optimización de entidades para las AI Overviews de Google es totalmente distinta a construir mapas de contexto estructural para bases de código complejas. Google quiere saber quién escribió un artículo. Un agente de código necesita saber con exactitud cómo afecta un cambio en auth.js al esquema de la base de datos.
> No puedes limitarte a meter JSON-LD en un repositorio y pretender que un agente autónomo entienda toda la arquitectura.
El marcado Schema está pensado para que los buscadores muestren fragmentos enriquecidos. No para enseñarle a un LLM cómo opera una arquitectura de software gigante. Es un problema serio cuando los fundadores confunden ambas cosas.
El Retrieval-Augmented Generation (RAG) básico es igual de malo. Recupera fragmentos de texto a ciegas según similitud vectorial. Coge el código en bruto, pero pierde las relaciones. Le da a la IA piezas de un puzle sin la foto de la caja. Terminas con un desastre fragmentado.
Necesitábamos contexto estructural.
Por esto el RAG básico falla en arquitecturas complejas:
¿El resultado? Un agente de IA confundido y una factura de tokens disparatada. Quemábamos dinero en un sistema incapaz de leer su propio mapa.
---
La revelación con Graphify: contexto estructural frente a datos en bruto
Lo estábamos haciendo mal.
Embutir una base de código masiva en un LLM es tirar dinero a la basura. Es un problema real esperar que una máquina entienda una arquitectura compleja arrojándole un millón de líneas de texto plano. La IA se pierde. La ventana de contexto se satura. Tu factura de API explota.
Necesitábamos un cambio radical.
Nodos, aristas y el fin de las alucinaciones
El clic fue contundente. Los grafos de conocimiento locales no son una teoría para académicos. Son obligatorios para que la IA comprenda.
Dejamos de alimentar a la bestia con código sin procesar. En su lugar, migramos todo nuestro flujo de trabajo a un grafo de código persistente usando Graphify.
Esto es exactamente lo que cambió:
Antes de que el LLM leyera una sola línea de lógica, mapeamos los nodos y las aristas. Definimos cómo interactuaba cada función, clase y módulo.
> Dejamos de darle a la IA un laberinto. Le dimos un mapa.
Cuando probamos esto en el repositorio del cliente, las métricas internas no dejaron lugar a dudas. El consumo de tokens cayó un 99,9 %. Pasamos de quemar 4.000 dólares en contexto redundante a gastar exactamente 4 dólares pasando un mapa estructurado y ligero.
La precisión se disparó. Las alucinaciones desaparecieron por completo.
¿Por qué? Porque la IA ya no tenía que adivinar cómo se conectaba auth_module.py con el esquema de la base de datos. El contexto estructural ya estaba ahí, definido en el grafo.
Esta es la distinción técnica que separa el prompt engineering amateur de la búsqueda semántica de nivel corporativo.
El prompt engineering amateur se basa en rellenar la ventana de contexto y rezar para que el modelo lo entienda. Es perezoso y sale caro. La búsqueda semántica empresarial crea contexto estructural. Le da a la máquina justo lo que necesita para navegar relaciones de forma nativa.
Estoy harto de los influencers que dicen a los desarrolladores que solo deben "escribir mejores prompts". Los prompts no arreglan la falta de estructura.
Como solemos decir: o estás en el prompt, o no existes. Pero si tu prompt es un volcado caótico de datos, ya estás fuera. Necesitas un grafo.
Esa revelación transformó nuestra arquitectura, pero de inmediato generó una pregunta técnica en nuestro director financiero.
---
Cómo crear un grafo de conocimiento local que funcione de verdad
¿Cómo reducen los grafos de conocimiento el coste de tokens en LLM?
Los grafos de conocimiento reducen el coste de tokens y optimizan la ventana de contexto al sustituir textos masivos y redundantes por un mapa de relaciones comprimido y estructurado, lo que permite a la inteligencia artificial consultar únicamente los nodos y aristas necesarios para ejecutar una tarea precisa sin procesar datos innecesarios.
Volcar código sin procesar en un LLM es un desperdicio de dinero enorme. Estoy harto de los teóricos que dicen que basta con "hacer mejores chunks". Es un pésimo consejo. Falla por completo en arquitecturas complejas. Necesitábamos una solución real para nuestro cliente, no otro parche teórico.
Mapear la ontología: guía paso a paso
Aquí tienes el esquema real para solucionar las limitaciones de contexto:
Hablemos de herramientas. Puse a prueba Graphify y code-review-graph en el repositorio. Quería ver cuál optimizaba de verdad la ventana de contexto para Claude Code.
Graphify es llamativo. Crea una representación visual estupenda. Pero por dentro infló la ventana de contexto con metadatos inútiles. Cuando lo probamos en el repositorio de nuestro cliente fintech, el uso de tokens subió un 40 % solo intentando procesar el propio grafo. Le dio a la IA un laberinto en vez de un mapa.
Luego cambié a code-review-graph.
Interfaz fea. Cero marketing. Pero generó un grafo de código ligero y persistente que mapeó la ontología exacta—nodos y aristas—sin adornos.
> Cuando le das a la IA el mapa de contexto estructural primero, la obligas a navegar relaciones en lugar de adivinar.
El cambio fue instantáneo. El uso de tokens cayó más del 99,9 %, reduciendo nuestros costes a céntimos por consulta. La precisión fue máxima. La IA dejó de inventarse dependencias y empezó a escribir código funcional. Sabía exactamente dónde se conectaba el middleware de autenticación con el esquema de la base de datos porque el grafo definía esa relación de forma explícita.
Es un problema grave si ignoras este cambio de arquitectura. O estás en el prompt, o no existes.
Si tu SEO técnico no contempla la comunicación M2M, eres invisible para los agentes de IA actuales. Los compradores ya no hacen clic en tu web. Preguntan a sus agentes. Y si tu agente no puede leer tu grafo, pierdes.
---
O estás en el prompt, o no existes
La realidad del M2M
Tengamos algo claro. La era de las búsquedas exclusivamente humanas terminó.
Estoy harto de los consejos que dicen a los fundadores que escriban mejores artículos de blog. El contenido es para humanos. El contexto es para máquinas. Estamos en 2026, y los datos legibles por máquinas son la única moneda que importa.
Mira tus propias analíticas. Los compradores ya no hacen clic en tu web. No van a revisar diez enlaces azules. Le piden a sus agentes de IA que hagan el trabajo pesado, y esos agentes se saltan por completo tus páginas de aterrizaje.
Si tu estrategia SEO ignora la comunicación M2M, eres invisible. Es un problema real.
El texto plano no sirve. Necesitas nodos. Necesitas aristas. Necesitas un grafo persistente que un LLM pueda leer sin alucinar ni disparar la factura de tokens.
> Si no estructuras tus datos en un grafo para máquinas, tus competidores lo harán.
Ellos le darán a la IA el mapa de contexto estructural primero. Optimizarán la ventana de contexto. Se quedarán con tu cuota de mercado mientras tú sigues ajustando meta descripciones.
Nos dimos cuenta por las malas. Nos cansamos de ver cómo nuestros clientes desaparecían de las respuestas de IA por no tener la arquitectura adecuada. Por eso empezamos a usar AnswerShaper internamente. No queríamos otra herramienta inflada; necesitábamos automatizar la creación de grafos y forzar a la IA a navegar relaciones en lugar de adivinar. Nos da el contexto estructural que los agentes de IA exigen, sin adornos.
Deja de optimizar para visitas que ya no van a llegar. Empieza a optimizar para los agentes que toman las decisiones.
O estás en el prompt, o no existes.
Tú decides.