Embeddings

Un embedding es una representación de un dato (una palabra, una frase, un documento, una imagen) convertida en un vector, es decir, una lista de números. La clave es que ese vector captura el significado: textos que hablan de lo mismo terminan con vectores cercanos entre sí, aunque usen palabras distintas. Así, "factura impaga" y "comprobante adeudado" quedan próximos, mientras que "factura impaga" y "vacaciones" quedan lejos.

Esa cercanía se mide con distancia geométrica (lo más común es la similitud coseno). Gracias a eso, una máquina puede comparar el sentido de dos cosas sin entender el idioma como una persona: solo compara números. Es la pieza que hace posible la búsqueda semántica (buscar por idea, no por coincidencia exacta de palabras) y el primer paso de patrones como RAG.

En analítica de datos, los embeddings permiten conectar texto libre (tickets, reseñas, descripciones de producto) con consultas en lenguaje natural, una capacidad que forma parte de lo que habilita Metrix cuando trabaja sobre datos no estructurados.

Por qué importan los embeddings

Las computadoras no entienden palabras; entienden números. Durante décadas, buscar información significó coincidencia exacta de texto: si buscabas "celular" no encontrabas "smartphone", aunque sean lo mismo. Los embeddings rompen esa limitación porque traducen el significado a coordenadas. Un modelo entrenado con enormes volúmenes de texto aprende a ubicar cada concepto en un espacio de muchas dimensiones (cientos o miles), de forma que la distancia entre dos vectores refleja qué tan parecidos son sus sentidos.

El resultado es que podés preguntar con tus palabras y recuperar lo relevante aunque la redacción no coincida. Esa es la base de la búsqueda semántica, de los sistemas de recomendación, de la detección de duplicados y, sobre todo, de cómo la IA generativa encuentra el contexto correcto antes de responder.

Cómo funciona, paso a paso

1. Entrada: tomás un texto (o imagen, audio, etc.).
2. Modelo de embedding: un modelo especializado lo transforma en un vector de tamaño fijo, por ejemplo 1.536 números.
3. Almacenamiento: ese vector se guarda en una base de datos vectorial, junto con miles o millones de otros.
4. Consulta: cuando llega una pregunta, también se convierte en vector.
5. Búsqueda por cercanía: el sistema compara el vector de la consulta contra los guardados y devuelve los más cercanos (los más parecidos en significado).

Ese mecanismo de "buscar lo más cercano" es lo que alimenta la etapa de recuperación en RAG, donde el modelo primero encuentra los documentos relevantes y recién después redacta la respuesta apoyado en ellos.

Un ejemplo concreto (Argentina, B2B)

Imaginá una distribuidora de Consumo Masivo en Buenos Aires con 40.000 tickets de atención al cliente acumulados. Con búsqueda tradicional, encontrar "problemas de entrega demorada" exige adivinar las palabras exactas que usó cada cliente. Con embeddings, el equipo de Customer Success vectoriza todos los tickets una sola vez; después, una consulta como "clientes molestos porque el pedido llegó tarde" recupera casos que decían "todavía no recibí nada", "el flete nunca apareció" o "demora en el despacho", aunque ninguno use la palabra "demorada". Lo mismo aplica a un catálogo: buscar "zapatillas para correr en lluvia" puede traer productos descritos como "calzado deportivo impermeable", subiendo la conversión sin tocar el texto de cada ficha.

Errores comunes

• Confundir embedding con LLM: el modelo de embedding solo produce vectores; no genera texto. Es un componente distinto del LLM que redacta la respuesta.
• Mezclar modelos: comparar vectores creados con modelos distintos no tiene sentido; las coordenadas no son compatibles. Hay que mantener un único modelo de embedding por colección.
• Olvidar re-indexar: si cambiás de modelo, tenés que volver a generar todos los embeddings, no solo los nuevos.
• Esperar precisión perfecta: la similitud semántica es aproximada; conviene combinarla con filtros y reglas de negocio.

Embeddings vs búsqueda por palabras clave

En la práctica, los mejores sistemas usan un enfoque híbrido: combinan la búsqueda léxica (exacta, rápida, ideal para códigos de producto o números de factura) con la semántica (flexible, ideal para lenguaje natural), y así capturan lo mejor de ambos mundos.

Dónde aparece en el día a día

Los embeddings están detrás de funciones que ya usás sin notarlo: el buscador interno de un e-commerce, la deduplicación de leads parecidos en un CRM, la clasificación automática de documentos por tema, los chatbots que responden sobre la base de conocimiento de la empresa y los tableros que dejan preguntar en lenguaje natural sobre datos cualitativos. Son una pieza de infraestructura silenciosa pero decisiva: sin ellos, casi nada de la IA aplicada a texto funcionaría con la naturalidad que hoy esperamos.