Cuando una universidad compra acceso a un modelo de inteligencia artificial, compra, en realidad, una capacidad de procesamiento. Lo que ese modelo puede hacer con esa capacidad depende por completo de lo que le des para procesar. La IA no genera conocimiento desde la nada; lo extrae, reorganiza y reformula a partir del conocimiento que ya existe y que está disponible para ella. En ese sentido, la inteligencia artificial es una maquinaria extraordinariamente potente que, sin materia prima adecuada, produce resultados mediocres o directamente erróneos.

La materia prima es el contenido. Y la forma en que ese contenido está estructurado —cómo se organiza, cómo se clasifica, cómo se relacionan sus partes entre sí— determina el techo de todo lo que la IA puede hacer dentro de una institución.

Esta es la razón por la que la arquitectura de la información, una disciplina que lleva décadas siendo tratada como un problema menor de usabilidad web, ha pasado a ser una decisión estratégica de primer orden. Y es también la razón por la que las universidades que aún no han construido esa infraestructura van a encontrar que sus inversiones en IA producen mucho menos de lo que esperaban.

El origen de todo: la ontología

Antes de que exista una arquitectura, existe una ontología. El término suena más filosófico de lo que es en la práctica: una ontología, en el contexto de la gestión del conocimiento, es sencillamente la definición de qué entidades existen en un dominio y qué tipo de relaciones son posibles entre ellas.

Para una universidad, la ontología responde a preguntas como: ¿qué es un programa académico? ¿Qué lo distingue de un curso, de un módulo, de una especialización? ¿Qué relación existe entre un programa y la facultad que lo imparte? ¿Y entre esa facultad y el campus en el que opera? ¿Puede un programa pertenecer a más de una área de conocimiento? ¿Qué relación tiene un profesor con un programa, y esa relación es diferente si es el director del programa o si es un docente invitado?

Estas preguntas no son filosóficas. Son operativas. Un sistema de inteligencia artificial que no tiene claro qué es un programa académico —cómo se distingue de otros conceptos, qué atributos lo definen, qué relaciones puede tener— va a cometer errores al hablar de él, al recomendarlo o al responder preguntas sobre él. La calidad de la ontología es el límite inferior de la calidad del agente.

De la ontología descienden las taxonomías: los sistemas de clasificación que ordenan las entidades en categorías coherentes. Si la ontología define qué es un programa de posgrado, la taxonomía define cómo se clasifica dentro del conjunto total de la oferta formativa de la institución: por área temática, por modalidad, por nivel, por duración, por público objetivo. Las taxonomías son el vocabulario controlado con el que los distintos sistemas de la institución —y los agentes de IA— pueden conversar sin malentendidos.

Y sobre ese par ontología-taxonomía se construye la arquitectura de contenido: la estructura concreta de páginas, documentos, fichas de programa y relaciones entre ellos que da forma a la presencia digital de la universidad.

Cómo se compra un programa de posgrado en 2026

Para hacer esto concreto, conviene seguir el proceso real por el que un candidato evalúa y decide matricularse en un programa online de una universidad hoy.

La búsqueda ya no empieza en Google y termina en la web de la institución. Empieza en un agente conversacional —ya sea el buscador con IA integrada, un chatbot especializado en orientación educativa, o directamente una consulta a un modelo de lenguaje— y en esa primera interacción se construye ya una preselección de opciones. Según datos de la consultora EAB con una muestra de más de 5.000 estudiantes, el 46% usa ya IA en su proceso de búsqueda de programas universitarios, y un 18% ha descartado una institución directamente a partir de la información que le devolvió un sistema de IA.

El candidato pregunta: “¿Qué máster en marketing digital con modalidad online y de menos de un año de duración tiene mejor salida laboral para alguien con cinco años de experiencia en comunicación?” El agente no devuelve una lista de enlaces. Devuelve una síntesis, con nombres, con características comparadas, con referencias a tasas de inserción laboral. Algunas instituciones aparecen en esa síntesis. Otras no. La diferencia no está, en la mayoría de los casos, en la calidad real del programa. Está en la calidad de la estructura con la que la institución ha organizado y publicado el conocimiento sobre ese programa.

¿Puede un agente de IA identificar con precisión la duración del programa? ¿Y su modalidad? ¿Y distinguirla del resto de programas de la misma institución? ¿Puede relacionar el programa con los datos de inserción laboral de sus egresados? ¿Puede cruzar esa información con el perfil de acceso recomendado y con las salidas profesionales declaradas?

Si la respuesta es no —porque esa información existe en formato de texto libre, dispersa en distintas páginas, sin metadatos que la estructuren ni relaciones declaradas entre los conceptos— el agente producirá una respuesta incompleta, imprecisa o directamente incorrecta. Y la institución quedará fuera de la conversación en el momento en que el candidato más la necesita.

El hiperenlace y su límite

Durante treinta años, el hiperenlace fue el mecanismo fundamental de conexión en la web. Y fue una revolución: transformó el documento aislado en un nodo dentro de una red de conocimiento navegable. La posibilidad de enlazar un programa con el perfil del director académico, con el plan de estudios, con los testimonios de antiguos alumnos, con el proceso de admisión, construyó una experiencia de usuario que antes era imposible.

Pero el hiperenlace tiene un límite estructural: no declara el tipo de relación. Enlaza A con B, pero no dice si A pertenece a B, si A es un ejemplo de B, si A amplía a B o si A es un requisito previo para B. Para un usuario humano que navega, el contexto suele ser suficiente para inferir la relación. Para un agente de IA que procesa el grafo de contenidos para extraer respuestas, la ambigüedad tiene coste directo en la calidad del resultado.

La arquitectura de la información semántica resuelve ese límite declarando el tipo de relación en los metadatos del contenido, con independencia de lo que el texto visible diga. Schema.org lleva desde 2011 ofreciendo un vocabulario estándar para hacer exactamente eso en el contexto web: los tipos Course, EducationalOrganization, CollegeOrUniversity permiten declarar, en el código de la página, qué tipo de entidad es la que se está describiendo y qué atributos la definen. Un agente que lee esos metadatos no necesita inferir si una página habla de un programa o de una facultad: lo sabe con certeza, porque está declarado.

En junio de 2026, Google Cloud publicó el Open Knowledge Format (OKF), una especificación abierta y agnóstica de plataforma que lleva un paso más allá esta misma idea: en lugar de declarar el conocimiento en el marcado de páginas web individuales, propone empaquetarlo como un conjunto de archivos interconectados —cada uno describiendo una entidad, sus atributos y sus relaciones con otras entidades— que cualquier agente puede leer directamente, sin intermediación de un rastreador y sin depender de que el contenido esté publicado en una URL pública.

Machine Experience: la tercera capa de la audiencia

Durante la mayor parte de la historia de la web, el diseño de la presencia digital de una institución respondía a dos audiencias: los usuarios humanos que navegaban directamente, y los rastreadores de los motores de búsqueda. La UX atendía a los primeros; el SEO técnico atendía a los segundos.

La arquitectura de la información contemporánea añade una tercera capa de audiencia, que en Griddo llamamos Machine Experience: los agentes de IA que acceden al conocimiento de una institución para responder consultas, tomar decisiones o ejecutar tareas en nombre de un usuario. Esta audiencia no lee páginas web. Consume conocimiento estructurado. Y sus expectativas sobre esa estructura son radicalmente distintas a las de un usuario humano.

Un usuario humano tolera la ambigüedad porque tiene contexto cultural, capacidad inferencial y criterio para evaluar lo que lee. Un agente de IA trabaja exactamente dentro de los límites de lo que está declarado. Lo que no está estructurado, no está disponible. Y lo que está disponible pero mal clasificado produce, en el mejor de los casos, respuestas imprecisas —y en el peor, desinformación que el sistema presenta con la misma confianza aparente que usa para todo lo demás.

El 18% de los candidatos que ya ha descartado una universidad a partir de lo que le dijo la IA ha tomado esa decisión sobre la base del conocimiento que la institución supo, o no supo, poner a disposición de los sistemas que median esa decisión. No es un problema de marketing ni de reputación en el sentido tradicional. Es un problema de arquitectura.

La cadena: de la ontología a la Machine Experience

La secuencia completa tiene cuatro eslabones.

El primero es la ontología: la decisión sobre qué entidades existen en el dominio universitario y qué relaciones son posibles entre ellas. Esta decisión es previa a cualquier herramienta y a cualquier plataforma. Es una decisión conceptual sobre cómo la institución entiende su propio conocimiento.

El segundo son las taxonomías: los sistemas de clasificación que operacionalizan la ontología, asignando a cada entidad una posición coherente dentro del conjunto. Una taxonomía bien construida permite que los distintos sistemas de la institución —el CRM, el portal web, el LMS, el sistema de admisiones— hablen del mismo programa con el mismo vocabulario, sin que cada sistema lo describa de forma distinta.

El tercero es la arquitectura de contenido: la estructura de páginas, fichas, relaciones entre documentos y metadatos semánticos que materializa las decisiones de la ontología y la taxonomía en la presencia digital de la institución. Aquí es donde schema.org, los tipos estructurados y los formatos como OKF se convierten en herramientas concretas.

El cuarto es la Machine Experience: el resultado de haber construido correctamente los tres eslabones anteriores. Una institución que ha declarado con precisión qué son sus programas, cómo se clasifican y qué relaciones tienen entre sí produce un conocimiento que los agentes de IA pueden consumir con confianza. Esa institución aparece en las respuestas. La que no lo ha hecho, no.

Por qué esto es una decisión estratégica, no técnica

La objeción habitual ante este tipo de argumento es que se trata de un problema del equipo de IT o del equipo web, no de la dirección de marketing ni de la dirección académica. Es una objeción comprensible, y es incorrecta.

La ontología de una universidad —la definición de qué es un programa, cómo se distingue de sus variantes, qué relaciones tiene con otras entidades de la institución— no la puede construir el equipo técnico solo. Requiere una decisión sobre el modelo de negocio: ¿la universidad entiende sus títulos de posgrado como productos diferenciados o como variantes de un catálogo unificado? ¿Los programas pertenecen a facultades o a áreas de conocimiento transversales? ¿Los datos de inserción laboral son atributo del programa o del perfil del egresado? Estas preguntas no tienen respuesta técnica. Tienen respuesta estratégica, y la respuesta que dé la institución determina cómo se construye su arquitectura y, por tanto, qué puede hacer con la IA.

Las universidades que entienden esto antes que las demás van a construir una ventaja que es estructuralmente difícil de copiar en el corto plazo, porque la arquitectura del conocimiento no se instala en un fin de semana. Se diseña, se construye, se mantiene y se mejora iterativamente. El punto de partida importa, y el momento de empezar es antes de que la presión de quedarse invisible lo convierta en urgencia.