Última revisión:
¿Qué es un embedding? Definición y retos para la empresa
Un embedding es la representación numérica de una palabra, de una frase o de un documento, en forma de vector en un espacio de varios cientos o miles de dimensiones. Dos textos semánticamente próximos tienen embeddings geométricamente próximos, lo que permite la búsqueda por sentido y no por palabras clave.
Un modelo de embedding es una red neuronal especializada, distinta del LLM, que toma un texto en entrada y produce un vector numérico fijo en salida. La dimensión de ese vector varía según el modelo: 1 536 para OpenAI text-embedding-3-small, 3 072 para text-embedding-3-large, 1 024 por defecto para Voyage 4 (ajustable de 256 a 2 048), como para Mistral Embed. Cuanto mayor es la dimensión, más matices semánticos puede capturar el vector, a costa de un coste de almacenamiento y de cálculo proporcional. La propiedad fundamental de un embedding es que la distancia entre dos vectores (medida por producto escalar o similitud coseno) refleja la proximidad semántica de los textos correspondientes. «Abogado de la defensa» y «asesor jurídico» son distantes en el diccionario pero próximos en el espacio de embedding. Eso es lo que permite, en un RAG, recuperar los pasajes pertinentes incluso cuando la consulta utiliza palabras distintas de las del documento objetivo.
Ejemplo concreto
Caso ilustrativo. Una PYME jurídica de 30 colaboradores indexa 5 000 contratos internos para permitir a sus juristas una búsqueda por sentido. Utilizando OpenAI text-embedding-3-small (1 536 dimensiones, 0,02 dólares por millón de tokens), la indexación inicial de un corpus de 50 millones de tokens (unos 10 000 por contrato) cuesta del orden de 1 dólar, y cada consulta de búsqueda una fracción de céntimo. El almacenamiento de los vectores (5 000 documentos × 1 536 dimensiones × 4 bytes) cabe en 30 MB. Con text-embedding-3-large (3 072 dimensiones), la calidad aumenta unos 2 puntos en los benchmarks públicos MTEB, por un coste 6,5 veces superior. La elección depende de la sensibilidad de negocio a la recuperación semántica.
Preguntas frecuentes
¿Qué es un embedding?
Es la representación numérica de una palabra, una frase o un documento en forma de vector, en un espacio de varios cientos o miles de dimensiones. Dos textos próximos por el sentido tienen embeddings geométricamente próximos. Eso es lo que permite una búsqueda por sentido en lugar de por palabras clave.
¿En qué se diferencia un modelo de embedding de un LLM?
Es una red neuronal especializada, distinta del LLM: toma un texto en entrada y produce un vector numérico fijo en salida, en lugar de generar texto. La distancia entre dos vectores (producto escalar o similitud coseno) refleja su proximidad semántica. Ese mecanismo es el que permite, en un RAG, recuperar un pasaje pertinente aunque la consulta emplee palabras distintas de las del documento.
¿Hay que elegir la dimensión más alta?
No por norma. Cuanto mayor es la dimensión, más matices capta el vector, pero más cuestan el almacenamiento y el cálculo, proporcionalmente. Un modelo de 3 072 dimensiones almacena el doble que uno de 1 536; para corpus de menos de 100 000 documentos, la dimensión más baja basta ampliamente.
¿Cuál es la trampa clásica que conviene conocer antes de empezar?
Cambiar de modelo de embedding tras la puesta en producción exige reindexar la totalidad del corpus, una operación costosa y lenta. La elección inicial es, por tanto, una decisión plurianual, no un parámetro ajustable sobre la marcha. Téngalo presente aún más si su corpus está en francés o en español: muchos modelos se entrenan principalmente en inglés y pierden rendimiento en esas lenguas.
¿Cuánto cuesta, concretamente?
A modo de ilustración, indexar 5 000 contratos internos con OpenAI text-embedding-3-small (1 536 dimensiones) cuesta del orden de 1 dólar para un corpus de 50 millones de tokens, y el almacenamiento de los vectores cabe en 30 MB. El modelo grande de 3 072 dimensiones gana unos 2 puntos en los benchmarks públicos MTEB, por un coste 6,5 veces superior. El arbitraje depende de la sensibilidad de negocio a la recuperación semántica.
Ver también
Para profundizar
Fuentes
- OpenAI Embeddings documentation. https://developers.openai.com/api/docs/guides/embeddings
- Massive Text Embedding Benchmark (MTEB) leaderboard, Hugging Face. https://huggingface.co/spaces/mteb/leaderboard
- Voyage AI, Text Embeddings, documentación (serie voyage-4, enero de 2026). https://docs.voyageai.com/docs/embeddings
- Mistral AI, Embeddings, documentación. https://docs.mistral.ai/capabilities/embeddings/