El nuevo motor de contexto Genie Ontology de Databricks está en previsualización restringida, pero no resuelve la brecha central que Thoughtworks destacó esta semana: los agentes no se estancan porque las plataformas no pueden alcanzar datos, sino porque no entienden qué significan los datos para el negocio. Un cliente tenía 47 tablas con "revenue" en el nombre. El agente podía consultar todas. No podía elegir la correcta, aplicar definiciones regionales correctamente o explicar su elección.

Thoughtworks divide la falla en dos capas. La capa de plataforma—Unity Catalog, controles de acceso, linaje—está mayormente resuelta. La capa de significado no. "Revenue" en una misma empresa significa booked, billed o recognized dependiendo del equipo de finanzas. "Customer" significa cosas diferentes para ventas y operaciones. Dos tablas que comparten una columna customer_id comparten una clave, no necesariamente una unión. Thoughtworks recomienda etiquetar relaciones como inferidas hasta que un propietario de dominio las verifique. Esa disciplina previene errores silenciosos que solo emergen cuando la salida de un agente se verifica después de una decisión.

Databricks ofrece tres herramientas para la capa de significado. Genie Ontology, el camino bottom-up, escanea notebooks, dashboards, pipelines y linaje, extrae fragmentos de conocimiento, los califica mediante OntoRank (un motor estilo PageRank), e inyecta los relevantes en tiempo de consulta. Se mantiene a sí misma—clave porque las definiciones de métricas empresariales cambian después de que los equipos las construyen manualmente. OntoBricks (Databricks Labs, sin SLA) toma el camino top-down: importar estándares como FIBO, FHIR o CDISC, formalizarlos como ontologías, materializarlos en el lakehouse, y ejecutar inferencia. Thoughtworks integró OntoBricks en sus aceleradores de dominios regulados. Ontos (también Labs) es un catálogo de negocio envolviendo Unity Catalog con data products, contratos y reglas de cumplimiento—para organizaciones cuya brecha son acuerdos de propiedad, no tecnología. Las tres herramientas se componen; no compiten.

Los benchmarks del conjunto interno de 28 preguntas de Databricks (junio de 2026) mostraron que Genie respondía correctamente el 84,5% en el primer intento. El agente de codificación de propósito general más fuerte anotó 52,4%; el más débil, 25%. Genie también ejecutó 2× más rápido. Databricks anonimizó a los competidores, por lo que la replicación independiente aún no es posible, pero los resultados se alinean con el trabajo de producción de Thoughtworks: una capa de contexto gobernada supera hacer prompt a un modelo capaz contra un esquema que no entiende.

El éxito requiere cinco disciplinas organizacionales que Thoughtworks identifica. Formalice definiciones de métricas (fórmula, propietario, dimensiones, sistema de registro, reglas temporales, excepciones) en una capa de plataforma compartida—no en prompts o código de agente. Defina lenguaje de negocio y sea honesto sobre el estado de las relaciones. Nombre lo que es confiable: el dashboard más usado no siempre es correcto. Adjunte evidencia a cada afirmación para defensa meses después. Versione definiciones junto con la capa aprendida, fije agentes a un lanzamiento nombrado, y pruebe contra ese lanzamiento en lugar de datos en vivo. Esto aborda un riesgo que la herramienta por sí sola no puede prevenir: un contexto auto-actualizable es apropiado para descubrimiento, no para presentaciones de CFO en junta directiva.

Genie Ontology requiere aprobación del equipo de cuenta de Databricks; no es self-serve. OntoBricks y Ontos no tienen SLA; trátelos como aceleradores proof-of-concept, no compromisos de producción. La brecha de preparación es real y específica: si su organización no puede responder "cuál es la tabla de registro de referencia para EBITDA y quién es el propietario", la plataforma tampoco puede.