¿Qué son los Embeddings?

Los embeddings son representaciones numéricas (vectores) de texto que permiten a las máquinas entender el significado de las palabras y frases en un espacio multidimensional. Cada texto se convierte en una lista de números que captura su significado semántico.

La intuición detrás de los vectores

Imagina un plano donde:

• La palabra "gato" está cerca de "perro"
• "Felino" está cerca de ambos
• "Automóvil" está lejos de todos

En un espacio de embeddings 2D simplificado:

          gato/perro
             ↑
             |
    hombre --→-- mujer
             |
             ↓
        automóvil

Pero en realidad, los embeddings tienen miles de dimensiones, no solo 2. Cada dimensión captura un aspecto diferente del significado.

¿Cómo se generan los embeddings?

Modelos de embeddings (2026)

Los embeddings se generan mediante redes neuronales entrenadas con grandes cantidades de texto. Modelos populares en 2026:

• OpenAI text-embedding-3-large (hasta 3072 dimensiones, $0.13/1M tokens) - mejor rendimiento
• OpenAI text-embedding-3-small (hasta 1536 dimensiones, más económico)
• Voyage AI Embeddings (optimizados para búsqueda semántica)
• Cohere Embed v3 (multilingüe, 1024 dimensiones)
• Mistral Embeddings (rendimiento competitivo, code-aware)
• Gemini Text Embeddings (integrado con ecosistema Google)

El proceso

1. El texto de entrada se pasa por el modelo de embeddings
2. El modelo produce un vector de números (típicamente 1024, 1536 o 3072 dimensiones)
3. Este vector representa el significado semántico del texto
4. Flexibilidad dimensional (2026): Modelos modernos permiten reducir dimensiones sin perder precisión significativa usando el parámetro dimensions en la API

¿Para qué sirven los embeddings?

Búsqueda semántica

En lugar de buscar palabras exactas, busco por significado:

• Query: "¿Cuáles son los síntomas de la gripe?"
• Encuentra documentos sobre "resfriado", "fiebre", "tos" aunque no mencionen "gripe"

Sistemas de recomendación

"Otros usuarios que vieron este producto también vieron..."

Clustering

Agrupar textos similares para categorization automática.

Detección de duplicados

Encontrar documentos casi idénticos midiendo similitud vectorial.

Similitud entre vectores

Similitud coseno

La métrica más común. Mide el ángulo entre dos vectores:

• 1.0 = vectores idénticos (mismo ángulo)
• 0.0 = perpendiculares (sin relación)
• -1.0 = opuestos (significado contrario)

Distancia euclidiana

Mide la distancia en línea recta entre dos puntos. Menor distancia = mayor similitud.

Embeddings en RAG

En los sistemas RAG, los embeddings se usan en el paso de "indexación":

1. Documentos → Se fragmentan en chunks
2. Chunks → Se convierten en vectores mediante embeddings
3. Vectores → Se almacenan en base de datos vectorial

Después, cuando el usuario pregunta:

1. Pregunta → Se convierte en vector
2. Vector → Se buscan los chunks más similares en la base vectorial
3. Chunks → Se usan como contexto para generar la respuesta

Dimensionalidad

Mayor dimensionalidad puede significar:

• Pros: Representación más precisa del significado semántico
• Cons: Más costo de almacenamiento y computación vectorial

Recomendaciones 2026:

• 256 dimensiones: Suficiente para búsquedas básicas, reduce 8x el almacenamiento
• 1024 dimensiones: Sweet spot para la mayoría de casos (text-embedding-3-large optimizado)
• 1536 dimensiones: Estándar para aplicaciones de producción, balance ideal
• 3072 dimensiones: Solo para casos que requieren máxima precisión semántica

Los modelos modernos con Matryoshka embeddings permiten reducir dimensiones simplemente recortando el vector, sin reentrenamiento.

Limitaciones

Dependencia del modelo

Cada modelo de embeddings interpreta el mundo diferente. Textos similares pueden producir vectores muy distintos si cambian el modelo.

Sesgos entrenados

Los embeddings heredan sesgos del texto de entrenamiento. "Doctor" puede estar más cerca de "hombre" que de "mujer" en ciertos modelos.

Efectos de dominio

Embeddings entrenados con texto general pueden no capturar bien terminología específica de un dominio (médico, legal, técnico).

Casos de uso en producción

• Búsqueda en documentación técnica de productos SaaS
• Catálogos de productos con descripciones largas
• Artículos académicos para descubrimiento de literatura relacionada
• Bases de conocimiento legal para investigación de precedentes
• Sistemas de soporte que mapean preguntas a soluciones conocidas

Métricas de evaluación

Recall@K

¿Se encontró el documento relevante en los primeros K resultados?

NDCG@K

Discounted Cumulative Gain, considera tanto relevancia como posición.

mAP (mean Average Precision)

Precision promedio a diferentes niveles de recall.