Análisis · CRM y Datos
Antes del context graph, ordena tus datos: la advertencia de Dharmesh Shah
El cofundador de HubSpot frena el entusiasmo por la idea más caliente de la IA empresarial y recuerda que casi ninguna empresa, y menos en Latinoamérica, tiene sus datos listos para agentes autónomos.
La tesis
El context graph, capturar el porqué de cada decisión para alimentar agentes autónomos, es una visión sólida, pero llega antes de tiempo. Dharmesh Shah, cofundador de HubSpot, sostiene que la mayoría de las empresas aún pelea con lo básico: unificar su CRM, sus tickets y sus datos duplicados. Perseguir «decision traces» sin esa base es construir sobre arena. Para los equipos B2B de Chile y Latinoamérica, donde la higiene de datos es más débil, la prioridad de 2026 no es el hype agéntico sino ordenar la casa: sin datos confiables, cualquier agente amplifica el caos.
Hay una idea que capturó a la IA empresarial en cuestión de semanas y hoy aparece en cada conversación de fundadores, CIOs y equipos de RevOps: el context graph. Uno de los ejecutivos con más autoridad del rubro, el cofundador y CTO de HubSpot, decidió ponerle un freno. Su matiz importa para cualquier líder comercial que en 2026 esté evaluando cuánto invertir en agentes de IA.
¿Qué es un context graph y por qué domina la conversación de la IA empresarial?
El término lo popularizaron Jaya Gupta y Ashu Garg, de Foundation Capital, en un ensayo de diciembre de 2025 titulado AI's trillion-dollar opportunity: Context graphs. Su tesis: la generación anterior de software (Salesforce, Workday, SAP) valió billones por ser el sistema de registro de lo que pasó. Pero ninguno guarda el porqué. Cuando un VP aprueba un 20% de descuento, el CRM guarda un solo dato («20% de descuento») y pierde el razonamiento: los incidentes, el cliente en riesgo de fuga, el precedente de otro trimestre. Esos «decision traces» viven en Slack, en llamadas y en la cabeza de las personas.
El context graph propone capturar esas huellas de decisión y coserlas a lo largo del tiempo, para que el precedente sea consultable y los agentes autónomos puedan actuar con la memoria institucional que hoy no existe en ningún sistema. Es, en sus palabras, un sistema de registro de decisiones, no solo de objetos.
La advertencia de Dharmesh Shah: primero el auto, después el garaje
Dharmesh Shah, cofundador y CTO de HubSpot, escribió el contrapunto más citado del debate. No rechaza la visión: la llama intelectualmente atractiva e incluso inevitable. Su reparo es de calendario, no de dirección. Según recoge una síntesis del debate en Data-Agents Dojo, Shah comparó pedir a las empresas que capturen decisiones cuando aún están ordenando sus datos con «instalar un garaje para tres autos cuando no tienes ni un solo auto».
El punto es incómodo y estructural: la mayoría de las compañías sigue peleando con la unificación básica de datos. Intentan que sus tickets de soporte conversen con su CRM y limpiar lagos de datos desordenados. Pedirles una capa sofisticada de linaje de decisiones es adelantarse. Y hay un problema de fondo que Shah subraya: si construyes un context graph sobre datos mal gobernados, tus decision traces codifican basura, y el agente hereda ese precedente defectuoso.
¿Por qué esta discusión le pega directo a los equipos B2B en Chile y Latinoamérica?
Porque el diagnóstico de Shah describe con precisión la realidad del mid-market en la región. En muchas empresas de Chile y Latinoamérica el CRM convive con planillas paralelas, campos vacíos, contactos duplicados y una capa de WhatsApp que rara vez está integrada al sistema de registro. La adopción es despareja y la higiene de datos, más frágil que en el promedio de Estados Unidos.
La consecuencia es directa: un agente de IA amplifica lo que encuentra. Si los datos están limpios y los procesos definidos, acelera todo. Si están sucios, acelera el caos con confianza y a escala. Para un líder comercial en Latinoamérica, la lectura práctica es que la ventaja competitiva de 2026 no vendrá de comprar el agente más nuevo, sino de tener datos en los que ese agente pueda confiar.
Sistemas de registro contra sistemas de decisiones: el fondo del debate
La discusión no nació en el vacío. La detonó Jamin Ball, de Altimeter, con Long Live Systems of Record: los agentes no matan a los sistemas de registro, suben la vara de lo que es un buen sistema. Foundation Capital coincide, pero va más lejos: sostiene que hay una categoría entera de datos, el porqué de cada decisión, que nunca se capturó. Otras voces del ecosistema, como Aaron Levie (Box) con «la era del contexto» y Arvind Jain (Glean), se sumaron al entusiasmo, con un matiz relevante: quizá no se puede capturar el porqué real, que vive en la cabeza de alguien, sino inferirlo del cómo, del rastro observable de acciones.
¿Es 2026 demasiado temprano para el context graph?
El escéptico más duro es Sanjeev Mohan, ex vicepresidente de Gartner. Su crítica, también recogida en la síntesis del debate, es que la industria puede desperdiciar 2026 discutiendo context graphs sin implementación real, igual que ocurrió con el data mesh: un concepto atractivo que generó debate interminable y poca adopción durable. Faltan estándar, modelo de implementación consistente y una definición estable. Es el mismo terreno donde aterriza la advertencia de Shah: la visión puede ser correcta y aun así llegar años antes de que el mercado esté listo.
La lectura de Revenue Hub: ordena los datos antes de comprar la ambición
Nuestra postura, comentando la opinión de Shah, es que tiene razón para el contexto latinoamericano, y con más fuerza que en Silicon Valley. El debate del context graph es valioso porque obliga a una pregunta correcta: ¿tu CRM está listo para agentes? Pero la respuesta operativa para un equipo B2B en Chile no es correr detrás del último framework agéntico. Es hacer el trabajo poco glamoroso primero: auditar el CRM, deduplicar cuentas y contactos, definir propiedades y etapas con dueños claros, integrar los canales que hoy viven fuera del sistema y poner gobernanza de datos. Ese es el «auto» que hay que tener antes de soñar con el garaje para tres. Quien ordene sus datos este año llegará al momento agéntico con una ventaja real; quien compre la ambición sin la base, pagará por amplificar su propio desorden.
Fuentes, derechos y criterio editorial
- AI's trillion-dollar opportunity: Context graphs · Jaya Gupta y Ashu Garg
- Context Graphs: The Idea That Captured Enterprise AI in 6 weeks · Prashant Kumar
- Long Live Systems of Record · Jamin Ball
Derechos: original
Transparencia: Análisis editorial de Revenue Hub asistido por IA. Sintetiza y comenta una columna de terceros; puede diferir del original. Lee la pieza original en la fuente enlazada.
Sobre la firma
Redacción Revenue Hub
Equipo editorial · Revenue Hub Latam
Equipo editorial de Revenue Hub Latam. Sintetiza y comenta las voces más relevantes de RevOps, HubSpot, IA y go-to-market para líderes B2B de Chile y Latinoamérica.
Preguntas frecuentes
¿Qué es un context graph en inteligencia artificial?
Es una capa de datos que captura las huellas de decisión de una organización, es decir, el porqué detrás de cada acción: excepciones, aprobaciones, precedentes y contexto entre sistemas. La idea, popularizada por Foundation Capital en diciembre de 2025, busca dar a los agentes de IA la memoria institucional que hoy no vive en ningún sistema de registro.
¿Qué dijo Dharmesh Shah sobre los context graphs?
El cofundador y CTO de HubSpot llamó a la idea intelectualmente atractiva e inevitable, pero advirtió que llega antes de tiempo. Comparó pedir a las empresas que capturen decisiones cuando aún ordenan sus datos con instalar un garaje para tres autos sin tener ni un solo auto. Su reparo es de calendario, no de visión.
¿Mi CRM está listo para usar agentes de IA?
Depende de la calidad de tus datos. Si tu CRM tiene duplicados, campos vacíos, planillas paralelas y canales sin integrar, un agente de IA amplificará ese desorden. La condición previa es unificar y limpiar los datos, definir propiedades y procesos con dueños claros, y recién entonces desplegar automatización agéntica.
¿Cuál es la diferencia entre un sistema de registro y un context graph?
Un sistema de registro, como Salesforce o HubSpot, guarda lo que pasó: el estado actual de una cuenta, un ticket o una oportunidad. Un context graph busca guardar el porqué de cada decisión, cosido a lo largo del tiempo, para que el precedente sea consultable por agentes autónomos.
¿Por qué la calidad de los datos limita a los agentes de IA?
Porque un agente amplifica lo que encuentra. Si los datos son confiables y los procesos están definidos, el agente acelera resultados. Si los datos están sucios, produce salidas rápidas, seguras y equivocadas. Construir capas avanzadas de IA sobre datos mal gobernados encodifica errores en cada decisión.
¿Qué deberían priorizar los equipos B2B en Chile antes de invertir en IA agéntica?
Ordenar la base de datos primero: auditar el CRM, deduplicar cuentas y contactos, definir etapas y propiedades con responsables, integrar canales como WhatsApp que suelen vivir fuera del sistema y establecer gobernanza de datos. Esa base es la que permite que cualquier agente aporte valor en lugar de amplificar el caos.
¿Los CRM actuales como Salesforce o HubSpot pueden capturar decision traces?
Hoy están diseñados para guardar el estado actual, no el razonamiento histórico de cada decisión. El debate del context graph plantea que ese porqué se pierde en Slack, llamadas y correos. Los proveedores de CRM avanzan hacia capacidades agénticas, pero capturar el linaje completo de decisiones sigue siendo un desafío abierto.