Uvi proporciona contexto empresarial a los agentes de IA, pero lo difícil es mantener la veracidad de las decisiones
Uvi proporciona contexto empresarial a los agentes de IA mediante un sistema recientemente financiado que modela decisiones, no solo documentos. La startup de Tel Aviv afirma que esta capa faltante hace que los agentes pierdan tiempo, consuman tokens y actúen basándose en evidencia fragmentada.
La empresa ha recaudado una ronda semilla de 7,5 millones de dólares liderada por CT Innovations, con la participación de Cardumen Capital, Manu VC y 91 Ventures. Uvi planea ampliar su equipo en Estados Unidos, el desarrollo de producto y sus operaciones comerciales.
El anuncio importa porque conectar un agente a Slack, Jira, GitHub y bases de datos internas no crea automáticamente una comprensión organizacional. Model Context Protocol, o MCP, puede proporcionar acceso a esos sistemas. El software de recuperación puede encontrar archivos relevantes. Ninguno de los dos enfoques reconstruye necesariamente por qué se tomó una decisión o si sigue siendo aplicable.
Uvi quiere hacerse cargo de esa capa de reconstrucción. Su producto crea lo que la empresa denomina un Decision Graph, que vincula decisiones con responsables, desencadenantes, bloqueadores, dependencias y evidencia de respaldo.
Esto sitúa a Uvi frente a una estrategia empresarial habitual: conectar más fuentes, recuperar más texto y dejar que el modelo infiera el resto. Uvi sostiene que este enfoque obliga repetidamente a las empresas a pagar por redescubrir relaciones que sus empleados ya comprenden.
La propuesta llega en un momento oportuno, pero sus preguntas más difíciles siguen sin respuesta. Los grafos de decisiones deben mantenerse actualizados, preservar los permisos, representar evidencia contradictoria y distinguir una decisión válida de una abandonada. Si esos controles fallan, el contexto estructurado puede hacer que una respuesta incorrecta parezca más autoritativa.
Uvi proporciona contexto empresarial a los agentes de IA mediante un Decision Graph
Uvi vende un mapa persistente del razonamiento organizacional, en lugar de otra interfaz para buscar documentos de la empresa.
Según el informe original sobre contexto empresarial, Uvi fue fundada en 2023 por el CEO Gilad Salinger y el CTO Dror Wolmer. La empresa operó inicialmente bajo el nombre Naboo.
Su argumento central parte de un problema empresarial conocido. El conocimiento importante rara vez reside en un único sistema o en un documento cuidadosamente mantenido.
Una decisión de producto puede comenzar en una conversación de Slack. La implementación aparece en una pull request, mientras Jira registra la tarea como completada. Un incidente posterior provoca una reversión, pero el ticket original permanece cerrado.
Un agente convencional puede recuperar cada artefacto. Aun así, debe determinar qué registro refleja el estado actual y por qué el equipo cambió de dirección.
Uvi afirma que su Decision Graph representa las decisiones como objetos de primera clase. Cada decisión puede incluir un responsable, un evento desencadenante, bloqueadores, dependencias, estado y enlaces a material de respaldo.
Esto difiere de tratar a la organización como una colección de pasajes semánticamente similares. Un índice vectorial representa el texto según similitud matemática. No representa de forma inherente la responsabilidad, la causalidad, la aprobación ni la secuencia detrás de una decisión.
Uvi describe una arquitectura de dos niveles detrás del producto. El primer nivel es un Topic Graph, que indexa información en los sistemas de la empresa y resuelve conexiones entre personas, repositorios, tickets y servicios.
El segundo nivel es el Decision Graph. Aplica las definiciones privadas de una organización a las relaciones descubiertas debajo de él.
Por ejemplo, una empresa puede definir “shipped” como código fusionado en una rama de producción. Otra podría exigir disponibilidad total para clientes, monitorización completada y aprobación formal.
Estas definiciones afectan la respuesta a una pregunta operativa básica. Un agente no puede identificar de forma fiable un lanzamiento bloqueado a menos que entienda qué significa la preparación para el lanzamiento dentro de esa empresa.
Uvi afirma que especialistas trabajan con los clientes para codificar esos conceptos y puertas de decisión. El grafo queda entonces disponible para los agentes a través de GraphQL o un servidor MCP.
GraphQL admite consultas estructuradas desde aplicaciones que ya saben qué campos y relaciones necesitan. MCP ofrece una conexión estandarizada mediante la cual un agente puede expresar su intención y solicitar contexto relevante.
La empresa afirma que el producto puede conectarse con sistemas que incluyen GitHub, GitLab, Jira, Linear, Slack, Confluence, Notion, Datadog y Splunk. También admite servicios internos que contienen estado específico del negocio.
El diseño se orienta a preguntas que requieren varias uniones. Un agente de lanzamientos podría preguntar qué aprobaciones siguen abiertas, quién es responsable de ellas y qué evento eliminará cada bloqueador.
Un agente de incidentes podría preguntar por qué cambió una feature flag y qué compromiso con clientes influyó en esa elección. La búsqueda puede encontrar menciones de la flag. Un grafo de decisiones intenta reconstruir la cadena que produjo su estado actual.
Esta distinción explica por qué Uvi se presenta como infraestructura subyacente para los agentes existentes. No pide a las empresas que sustituyan Claude, Gemini, GPT o sus interfaces internas de agentes.
En cambio, Uvi quiere que las empresas construyan su contexto organizacional una vez y lo expongan a múltiples modelos. La afirmación de la empresa es que los modelos cambiarán más rápido que el significado subyacente de los sistemas empresariales.
Este es un límite arquitectónico atractivo. Separa la selección del modelo del trabajo de definir la propiedad, el vocabulario operativo y el historial de decisiones.
También crea una responsabilidad significativa. La capa de contexto compartido se convierte en una dependencia para cada agente que se apoya en ella.
Más conectores no explican por qué se tomó una decisión
La presión recae sobre los equipos que han tratado el acceso a datos como si fuera el mismo problema que la comprensión organizacional.
Anthropic presentó Model Context Protocol en noviembre de 2024 como un estándar abierto que conecta sistemas de IA con herramientas y fuentes de datos. MCP redujo la necesidad de diseñar un patrón de integración independiente para cada asistente y aplicación.
Esa estandarización resolvió un importante problema de interfaz. Un agente puede descubrir herramientas disponibles, solicitar información e invocar acciones compatibles mediante un protocolo común.
MCP no decide qué significan los términos internos de una empresa. Tampoco determina si un ticket cerrado fue reemplazado por una reversión discutida en otro lugar.
El argumento de Uvi comienza donde termina el conector. El acceso proporciona al agente más evidencia, mientras que la capa de razonamiento intenta organizar esa evidencia en torno a la intención operativa.
Esta diferencia se vuelve importante cuando un agente pasa de la síntesis a la acción. Un asistente de búsqueda puede devolver varios documentos y dejar que una persona resuelva sus inconsistencias.
Un agente autónomo debe elegir qué registro confiar antes de cambiar una configuración, escalar un bloqueador o actualizar un flujo de trabajo de clientes. Esa elección requiere tanto contexto como autoridad.
La generación aumentada por recuperación tradicional, o RAG, recupera material relacionado con una consulta y lo proporciona a un modelo. Funciona bien cuando la respuesta existe dentro de un documento que el sistema de recuperación puede identificar.
Las tareas empresariales suelen depender de relaciones que ningún documento expresa directamente. La respuesta surge de un ticket, un cambio de código, una conversación, telemetría y la definición de finalización de la empresa.
El proyecto GraphRAG de Microsoft ilustra el movimiento más amplio de la industria más allá de fragmentos de texto aislados. GraphRAG combina texto extraído, análisis de redes, prompting y resumen para construir representaciones más ricas de un conjunto de datos.
Microsoft también admite proveedores de contexto basados en grafos que recuperan subgrafos conectados en lugar de pasajes aislados. Su integración con Neo4j combina búsqueda vectorial, de texto completo, híbrida y recorrido de grafos.
Estos desarrollos validan parte de la premisa de Uvi. Las relaciones pueden proporcionar información que la búsqueda por similitud, por sí sola, no detecta.
Sin embargo, también muestran que Uvi entra en un campo técnico activo en lugar de crear una categoría sin competencia. Las empresas pueden combinar bases de datos de grafos, frameworks de agentes, plataformas de búsqueda y canalizaciones de datos personalizadas.
Por tanto, Uvi debe demostrar que el modelado de decisiones aporta más valor que un sistema GraphRAG bien diseñado. También debe mostrar que su capa gestionada cuesta menos de operar que una alternativa interna.
La división competitiva no es simplemente Uvi frente a RAG. La mayoría de los sistemas empresariales serios seguirán utilizando varios métodos de recuperación.
La búsqueda documental sigue siendo útil para políticas, informes y especificaciones. La recuperación vectorial sigue siendo útil cuando los usuarios no conocen el vocabulario pertinente. La memoria de conversación puede preservar preferencias e interacciones recientes.
Un grafo de decisiones cubre una necesidad diferente. Debería identificar las elecciones, dependencias y responsabilidades que determinan lo que un agente puede hacer de forma segura a continuación.
La arquitectura probable combina estas capas. Un agente podría usar la búsqueda para localizar material de respaldo, un grafo para navegar dependencias y los sistemas de origen para verificar el estado en tiempo real.
Esta combinación presiona a los proveedores de búsqueda empresarial y a los equipos internos de plataformas. Devolver enlaces relevantes ya no satisface todos los flujos de trabajo de agentes.
Los productos de búsqueda necesitarán modelos de relaciones más ricos, una aplicación de permisos más sólida y resultados diseñados para máquinas que ejecutan acciones. Los equipos internos afrontan la misma demanda mientras mantienen conectores y canalizaciones de datos personalizados.
La oportunidad de Uvi depende de hacer reutilizable esa complejidad. Su desafío es demostrar que un proveedor especializado puede comprender el lenguaje operativo privado de cada cliente con suficiente precisión.
El mecanismo depende de uniones en tiempo real, intención y permisos
La ventaja técnica de Uvi dependerá menos de la terminología de grafos y más de que sus relaciones se mantengan actualizadas y correctamente delimitadas.
El flujo de trabajo propuesto del producto comienza indexando información en todos los sistemas operativos. Identifica vínculos explícitos, como un ticket de Jira citado dentro de una pull request.
También intenta resolver relaciones implícitas. Estas pueden incluir nombres distintos para el mismo servicio, empleados representados por varias cuentas o expresiones internas que describen un mismo proceso de lanzamiento.
La resolución de entidades consiste en mapear esas referencias a identidades coherentes. Sin ella, el grafo puede tratar a una persona, repositorio o funcionalidad como varios objetos no relacionados.
El siguiente paso introduce significado específico de la empresa. Uvi afirma que un especialista trabaja con el cliente para definir conceptos como responsable, bloqueador, desplegar, aprobación y shipped.
Esta participación humana es notable. El sistema no presupone que un modelo general pueda inferir todas las reglas operativas a partir de comunicaciones sin procesar.
El enfoque se asemeja al trabajo necesario para construir una base de conocimiento fiable. La memoria organizacional útil depende de definiciones, procedencia, mantenimiento y límites de acceso.
Uvi hace entonces que el grafo resultante sea consultable. Un agente puede solicitar una cadena estructurada que contenga decisiones, responsables, estados, dependencias y evidencia de respaldo.
Ese resultado difiere de una lista clasificada de documentos. Proporciona al agente un objeto operativo más pequeño que puede guiar su siguiente paso.
Consideremos un lanzamiento que parece completo en un gestor de proyectos. Un repositorio de código muestra la pull request correspondiente como integrada, pero los datos de monitoreo registran un aumento de errores tras el despliegue.
Una conversación posterior indica que el lanzamiento se detuvo en una disponibilidad parcial. El grafo de decisiones debería conectar esos eventos e impedir que un agente describa el lanzamiento como completo.
La intención también cambia el contexto necesario. Revisar la arquitectura del lanzamiento requiere documentos de diseño, información de dependencias y decisiones históricas.
Diagnosticar un despliegue fallido requiere telemetría reciente, detalles de reversión, código modificado y responsables actuales. Ambas consultas mencionan el mismo lanzamiento, pero necesitan evidencias distintas.
Uvi afirma que su capa delimita el grafo según la tarea. Si funciona, el agente recibe menos material irrelevante y dedica menos turnos del modelo a explorar fuentes desconectadas.
La empresa informa importantes mejoras de rendimiento en su sitio web. Uvi afirma que ganó 97 de 100 consultas directas frente a un sistema GPT habilitado para MCP en un benchmark de Global-e.
También asegura duplicar la velocidad de las bases de referencia de RAG y reducir ocho veces el costo por consulta frente a un agente desarrollado internamente que usa el mismo modelo. Son resultados reportados por el proveedor, no benchmarks independientes.
El material publicado no ofrece suficiente detalle metodológico para generalizarlos entre empresas. La selección de cargas de trabajo, la preparación del grafo, la evaluación de respuestas, la complejidad de las fuentes y la configuración de las bases de referencia pueden afectar sustancialmente el resultado.
Aun así, el benchmark apunta a la unidad de medida correcta. Las empresas deberían comparar sistemas mediante respuestas correctas, latencia, total de llamadas al modelo y tiempo de verificación humana.
Una menor cantidad de tokens significa poco si los empleados deben investigar cada respuesta. Una alta precisión de recuperación también sirve de poco cuando un agente pasa por alto el estado actual de una decisión.
La seguridad es el otro mecanismo central. Uvi afirma que puede ejecutarse on-premises o dentro de una nube privada virtual controlada por el cliente.
La empresa también afirma que los permisos se aplican durante la recuperación. Un agente debería recibir únicamente información disponible para la persona que realiza la solicitud.
Ese control importa porque los grafos crean rutas indirectas hacia datos sensibles. Un usuario podría no tener acceso a un documento confidencial, pero inferir su contenido a través de nodos conectados.
Un despliegue seguro debe proteger el material subyacente y las relaciones derivadas de él. Incluso la existencia de un proyecto, responsable o dependencia ocultos puede revelar información sensible.
Los permisos a nivel de fuente también pueden entrar en conflicto. Un canal de Slack, un repositorio y un gestor de proyectos podrían asignar distintos derechos a la misma persona.
La capa de razonamiento debe calcular la intersección válida sin filtrar contexto restringido. Debe repetir ese cálculo cada vez que cambien los roles, la pertenencia a grupos o los permisos de las fuentes.
Por tanto, el caso empresarial de Uvi depende de que funcionen conjuntamente cuatro capacidades: ingesta actualizada, resolución precisa de entidades, selección consciente de la tarea y recuperación que preserve los permisos. Una debilidad en cualquiera de esas capas puede socavar la respuesta final.
Un grafo de decisiones puede preservar errores con la misma facilidad que conocimiento
El riesgo más importante de Uvi es que el contexto estructurado pueda convertir una memoria organizacional incierta en instrucciones de máquina aparentemente concluyentes.
Las decisiones corporativas rara vez son registros limpios. Los equipos discrepan, las excepciones se acumulan y las soluciones temporales sobreviven más allá del período previsto.
Un responsable de producto podría aprobar un lanzamiento en un canal mientras un líder de seguridad lo bloquea en otro. El resultado final puede depender de una conversación no documentada entre ejecutivos.
Un grafo debe representar esa incertidumbre en lugar de forzar cada artefacto a un único estado definitivo. De lo contrario, el resultado parecerá coherente mientras oculta un conflicto real.
La empresa también afirma que su sistema reconstruye razonamientos que nunca se registraron explícitamente. Esto es útil, pero introduce un límite de inferencia que los compradores deberían examinar con cuidado.
Una relación respaldada por la referencia a un ticket es distinta de la interpretación de un modelo sobre varias conversaciones. Ambas podrían aparecer como aristas en un grafo, pero tienen distinto peso probatorio.
Las empresas necesitan saber qué vínculos proceden directamente de los registros fuente. También necesitan puntuaciones de confianza, marcas de tiempo y rutas de revisión para las relaciones inferidas.
La validez de una decisión cambia con el tiempo. Una excepción de emergencia puede caducar, un servicio puede pasar de un equipo a otro y una política de aprobación puede ser sustituida.
El grafo debe conservar el historial sin confundir una regla antigua con la actual. También debería explicar por qué el estado actual reemplazó evidencias anteriores.
La ingesta actualizada por sí sola no resuelve este problema. Un mensaje nuevo puede ser actual y, aun así, seguir siendo no oficial, especulativo o incorrecto.
La autoridad importa junto con la actualidad. El sistema debe distinguir entre un responsable de la decisión y un participante que debate posibles resultados.
Estos problemas dificultan la evaluación. Un benchmark puede comprobar si el sistema devuelve la respuesta esperada, pero la propia respuesta esperada podría estar en disputa.
Los clientes deberían incluir en sus evaluaciones casos contradictorios, decisiones revocadas, relaciones confidenciales y registros deliberadamente obsoletos. Las preguntas sencillas sobre proyectos bien documentados no revelarán los modos de fallo del sistema.
También deberían probar cómo maneja Uvi la evidencia faltante. Un sistema seguro debería exponer la incertidumbre en lugar de inventar la razón no documentada detrás de una decisión.
La revisión humana sigue siendo necesaria para acciones relevantes. Un grafo puede reducir la exploración, pero no debería eliminar los controles de aprobación para cambios en producción, compromisos financieros o decisiones de seguridad.
Aquí es donde una base de ingeniería consultable sigue siendo valiosa. Las personas necesitan acceder a los artefactos subyacentes cuando revisan la acción propuesta por un agente.
La dependencia del proveedor genera otra preocupación. Uvi sostiene que las empresas deberían poseer una única capa de contexto que funcione entre modelos.
Esa portabilidad solo tiene valor si los clientes pueden exportar datos del grafo, definiciones, procedencia y registros de evaluación. Cambiar de modelo es fácil en comparación con reconstruir años de conocimiento operativo codificado.
El modelo de despliegue también necesita escrutinio. Ejecutarse dentro del entorno del cliente reduce parte de la exposición de datos, pero no garantiza automáticamente un comportamiento seguro.
Los compradores deberían examinar el acceso administrativo, las credenciales de los conectores, el registro de actividad, los procesos de actualización, el cifrado y la respuesta ante incidentes. También deberían verificar el comportamiento de los permisos en cada fuente integrada.
Las afirmaciones de Uvi sobre el benchmark merecen la misma revisión disciplinada. Los resultados comunicados indican potencial, pero no establecen el rendimiento entre diferentes organizaciones o flujos de trabajo.
Un cliente con prácticas coherentes de gestión de tickets presenta un entorno distinto al de otro que depende de mensajes privados y aprobaciones informales. La calidad del grafo reflejará esos hábitos operativos.
Esta limitación no invalida el producto. Aclara qué está vendiendo realmente Uvi.
La empresa no se limita a instalar una base de datos. Ayuda a una empresa a formalizar cómo se conectan las decisiones, la responsabilidad, la evidencia y los permisos.
Ese proceso puede generar valor incluso antes de que actúe un agente. También puede revelar cuánto conocimiento esencial sigue siendo informal o inaccesible.
El riesgo consiste en tratar el grafo resultante como una verdad objetiva. Es mejor entenderlo como un modelo operativo mantenido, con fuentes explícitas e incertidumbre no resuelta.
Tres señales mostrarán si la capa de contexto de Uvi funciona
Uvi necesita ahora demostrar que su modelo de decisiones mantiene la precisión en producción, se transfiere entre agentes y supera la revisión de seguridad empresarial.
La primera señal es una evaluación independiente. Uvi ha publicado ejemplos de clientes y comparaciones ejecutadas por el proveedor, incluido su resultado comunicado de Global-e.
El siguiente paso es un benchmark reproducible con preguntas documentadas, bases de referencia, reglas de evaluación, latencia, uso de modelos y preparación del grafo. La validación externa facilitaría la evaluación de las afirmaciones de eficiencia.
El benchmark debería evaluar más que la recuperación. Debería incluir preguntas que requieran varios sistemas, estados cambiantes, evidencias contradictorias y límites de permisos.
Un resultado significativo reforzaría la afirmación de Uvi de que las decisiones estructuradas superan la exploración impulsada por conectores. Resultados débiles sugerirían que la preparación personalizada del grafo aporta más que la arquitectura general.
La segunda señal es una adopción sostenida por clientes más allá de pilotos controlados. Uvi identifica a Melio y Global-e como usuarios en producción y muestra declaraciones de sus ejecutivos.
Los futuros estudios de caso deberían explicar qué agentes usan el grafo, qué acciones respaldan y con qué frecuencia los empleados anulan sus conclusiones. También deberían informar del trabajo de mantenimiento necesario después del despliegue.
La adopción en múltiples interfaces de agentes respaldaría la posición de Uvi de ser independiente del modelo. Demostraría que una capa de contexto puede servir a asistentes de programación, agentes de flujo de trabajo y aplicaciones internas.
Un uso limitado dentro de una única experiencia de búsqueda debilitaría esa afirmación. Podría indicar que el grafo funciona bien para el descubrimiento de conocimiento, pero no para la acción operativa.
La tercera señal es cómo respondan las plataformas más grandes. Microsoft, Anthropic, los proveedores de nube, las empresas de bases de datos de grafos y los proveedores de búsqueda empresarial ya ocupan capas adyacentes.
Pueden combinar conectores, recuperación basada en grafos, alojamiento de modelos, permisos y marcos de agentes. Algunos clientes preferirán esa pila integrada frente a otro proveedor especializado.
Uvi debe establecer una ventaja duradera en el modelado de decisiones, la velocidad de despliegue o la precisión operativa. El número de conectores por sí solo no protegerá su posición.
La ronda semilla de $7.5 millones de la empresa le proporciona recursos para buscar esa demostración. No resuelve si la capa de razonamiento se convertirá en una categoría diferenciada de software empresarial.
Los compradores deberían buscar documentación más clara sobre actualizaciones del grafo, relaciones inferidas, controles de acceso y portabilidad de datos. Esos detalles importan más que una demostración pulida.
También deberían preguntar cómo se comporta el sistema cuando las evidencias entran en conflicto. Una respuesta útil debe mostrar las fuentes, preservar la incertidumbre e identificar quién puede resolver el desacuerdo.
Para los desarrolladores, la llegada de Uvi refuerza una lección arquitectónica más amplia. El acceso a herramientas, la recuperación, la memoria y el contexto organizacional resuelven problemas relacionados, pero distintos.
MCP puede conectar un agente a los sistemas de la empresa. RAG puede encontrar texto relevante. La recuperación basada en grafos puede exponer entidades vinculadas. Un modelo de decisiones mantenido puede añadir responsabilidad, causalidad y estado operativo.
Ninguna capa individual garantiza una acción correcta. Los agentes de producción necesitan todas estas capacidades, además de evaluaciones y controles humanos.
Para los compradores empresariales, la pregunta inmediata es práctica. Identifiquen un flujo de trabajo en el que los empleados reconstruyan repetidamente la misma cadena de decisiones entre varios sistemas.
Midan las llamadas actuales al modelo, la demora, la tasa de errores y el esfuerzo de revisión. Después, prueben si un grafo mantenido mejora el flujo de trabajo completo en lugar de un conjunto de respuestas seleccionado.
Uvi proporciona contexto empresarial a los agentes de IA al convertir registros dispersos en una descripción estructurada de cómo avanza el trabajo. Su futuro depende de que esa descripción siga siendo confiable después de que termine la demostración.
Antes de permitir que un agente actúe sobre la memoria organizacional, hagan tres preguntas: ¿puede mostrar la evidencia?, ¿puede respetar todos los permisos? y ¿puede admitir incertidumbre?
