Un embedding es la forma en que la IA convierte un texto (o una imagen) en números, de modo que las cosas con significado parecido queden cerca. Es la pieza invisible detrás de la búsqueda inteligente y de RAG.
Qué es un embedding
Los modelos no entienden palabras, entienden números. Un embedding es una lista de números (un vector) que representa el significado de un texto. La gracia está en que dos textos que significan algo parecido tienen embeddings cercanos, aunque usen palabras distintas.
Ejemplo: "perro" y "cachorro" quedan cerca. "Perro" y "factura" quedan lejos. Nadie se lo dice, el modelo lo aprende de haber leído millones de textos.
En números concretos: un modelo de embeddings habitual como text-embedding-3-small de OpenAI convierte cada texto en un vector de 1.536 posiciones. La versión large llega a 3.072. Cuantas más posiciones, más matices captura, pero también pesa más guardarlo y buscar en él.
Para medir si dos embeddings están cerca se usa casi siempre la similitud coseno: un cálculo que compara el ángulo entre dos vectores, no la distancia exacta entre ellos. No necesitas entender la fórmula, solo saber que cuanto más cerca de 1, más parecidos son los dos textos.
Para qué sirve
Esto desbloquea la búsqueda por significado, no por palabra exacta. Buscas "problemas de envío" y encuentra un correo que decía "el paquete llegó roto", aunque no compartan ni una palabra.
Es la base de:
- RAG: buscar en tus documentos lo relevante para una pregunta.
- Recomendadores: productos o contenidos parecidos.
- Detección de duplicados y clasificación automática.
En Barner lo uso para algo muy concreto: cruzar tickets de soporte que dicen cosas distintas pero significan lo mismo ("no me llega el pedido", "sigo esperando el paquete"), para agruparlos y ver el volumen real de un problema sin leerlos uno a uno.
Cómo se usa en la práctica
Convertir texto en embeddings y buscar con ellos sigue siempre el mismo patrón:
- Divides tus documentos en trozos manejables (párrafos, no el documento entero).
- Pasas cada trozo por un modelo de embeddings (OpenAI, Cohere, o modelos open source como los de la familia BGE).
- Guardas esos vectores en una base de datos vectorial (Pinecone, Weaviate, o incluso pgvector sobre Postgres).
- Cuando alguien pregunta algo, conviertes esa pregunta en embedding también y buscas los vectores guardados más cercanos.
- Le pasas esos trozos relevantes al LLM para que redacte la respuesta con ese contexto. Eso último ya es RAG.
A julio de 2026, generar embeddings es barato: OpenAI cobra 0,02 dólares por cada millón de tokens con text-embedding-3-small. Para la mayoría de proyectos, el coste de los embeddings es la parte menos preocupante del sistema.
Embedding, RAG y fine-tuning: no son lo mismo
Se confunden mucho estos tres términos. El embedding es la pieza técnica que convierte texto en números. RAG es el sistema completo que usa esos embeddings para buscar información y dársela a un LLM antes de responder. El fine-tuning es otra cosa distinta: reentrenar el modelo con tus datos, en vez de darle contexto en el momento de la pregunta.
Para la mayoría de casos de negocio (buscar en tu documentación, en tus emails, en tu base de conocimiento), RAG con embeddings es más barato y más rápido de montar que el fine-tuning. Yo empezaría siempre por ahí.
Preguntas frecuentes
¿Necesito saber matemáticas para usar embeddings? No. Las herramientas (OpenAI, bases de datos vectoriales) hacen el cálculo por ti. Tú solo mandas el texto y recibes el vector.
¿Es lo mismo un embedding que un token? No. Un token es un trozo de palabra que el modelo procesa al leer o escribir texto. Un embedding es el vector de números que representa el significado de un texto entero. Son conceptos distintos que se usan en fases distintas.
¿Puedo montar esto sin programar? Herramientas como n8n o los propios paneles de Pinecone y OpenAI simplifican bastante el proceso, pero en algún punto vas a necesitar algo de código o un flujo tipo n8n bien configurado. No hace falta ser ingeniero, pero sí perder el miedo a tocar una API.
¿Los embeddings caducan o hay que regenerarlos? Si cambias el texto original, sí, hay que volver a generar su embedding. Si cambias de modelo de embeddings, también, porque los vectores de un modelo no son comparables con los de otro. Es un detalle que la gente se salta y luego le da resultados raros.
En una frase
Un embedding convierte significado en números para que la IA pueda comparar ideas, no solo palabras. Es la tubería silenciosa detrás de casi toda búsqueda inteligente y de todo sistema RAG.
Cada día te cuento lo que importa de la IA en la newsletter de Digital Brain, sin leerte veinte fuentes: digitalbrain.email.
Relacionado
