Búsqueda semántica: buscar por el significado y no solo por palabras
La búsqueda semántica encuentra los contenidos cuyo significado se acerca a su pregunta, aunque no usen ninguna de las palabras que usted escribió. Se basa en representaciones numéricas del sentido de los textos y es lo que permite a los asistentes encontrar el pasaje adecuado en sus documentos.
Datos a 22 de octubre de 2026
Lo esencial en cifras
| Nivel | Intermedio |
|---|
Cómo funciona
La búsqueda semántica se apoya en los embeddings: cada texto se convierte en una lista de números que representa su significado. Dos textos que tratan de lo mismo obtienen vectores cercanos, aunque no compartan ninguna palabra. Para buscar, se calcula el vector de la pregunta y se recuperan los textos con los vectores más próximos. Con grandes volúmenes, esos vectores se guardan en una base de datos vectorial, diseñada para encontrar rápidamente los vecinos más cercanos.
Un hito fue el artículo Sentence-BERT de Nils Reimers e Iryna Gurevych, publicado en arXiv en agosto de 2019, que mostró cómo producir de forma eficiente embeddings de frases comparables entre sí.
Un ejemplo concreto
El servicio de atención al cliente de una compañía eléctrica tiene varios cientos de fichas de ayuda. Un cliente escribe: «mi factura se ha duplicado y no he cambiado nada».
- Una búsqueda por palabras clave busca «factura» y «duplicado» y devuelve sobre todo fichas genéricas sobre facturación.
- Una búsqueda semántica encuentra también la ficha «Entender una regularización tras la lectura del contador», que no contiene la palabra «duplicado» pero responde exactamente al problema.
Por qué es importante
Es la pieza básica del RAG: antes de que un asistente responda a partir de sus documentos, hay que encontrar los pasajes adecuados, y casi siempre se encarga de ello la búsqueda semántica. También sirve para recomendaciones («artículos similares»), detección de duplicados y clasificación automática de mensajes.
Errores e ideas falsas frecuentes
- «Cercano en significado quiere decir pertinente». Un pasaje puede tratar el mismo tema sin responder a la pregunta. Una etapa de reordenación ayuda a menudo a filtrar los resultados.
- «Sustituye a las palabras clave». Los códigos, los nombres propios y las cifras exactas se tratan mejor con una búsqueda clásica; la búsqueda híbrida combina ambos enfoques.
- «Basta con indexar documentos enteros». La calidad depende mucho de cómo se divide el texto en fragmentos: un pasaje demasiado largo diluye el sentido y uno demasiado corto pierde el contexto.
Términos relacionados: embedding, base de datos vectorial, RAG, fragmentación (chunking).
Términos relacionados
- Embedding (vector semántico) · Lista de números (un vector) que representa el significado de un texto o una imagen para comparar contenidos según su cercanía de sentido.
- Base de datos vectorial · Base de datos que guarda embeddings y encuentra muy rápido los más cercanos a una consulta, es decir, los contenidos más relevantes.
- RAG (generación aumentada por recuperación) · Técnica que primero busca pasajes relevantes en sus documentos y luego se los entrega al modelo para que base en ellos su respuesta.
- Búsqueda híbrida · Búsqueda que combina palabras clave exactas y búsqueda por significado (embeddings), y después fusiona ambas listas en una sola clasificación.
- Reranking (reordenación) · Segunda etapa de búsqueda: un modelo más preciso vuelve a leer los mejores candidatos y los reordena según su pertinencia real.
- Chunking (fragmentación) · División de documentos largos en pasajes pequeños y coherentes para indexarlos y enviar al modelo solo los fragmentos útiles.
Todo el glosario
Preguntas frecuentes
¿En qué se diferencia de una búsqueda por palabras clave?
La búsqueda por palabras clave busca los términos exactos (o sus variantes) de la consulta. La búsqueda semántica compara el significado: «dar de baja mi tarifa» puede encontrar un texto titulado «cancelar su suscripción».
¿La búsqueda semántica es siempre mejor?
No. Para una referencia de producto, un nombre propio o un número de contrato, la búsqueda por palabras clave suele ser más precisa. Por eso muchos sistemas combinan ambas.
¿Hace falta un modelo de IA para hacer búsqueda semántica?
Sí, se necesita un modelo de embeddings para convertir los textos en vectores. Pero ese modelo suele ser mucho más pequeño y barato que un gran modelo de lenguaje conversacional.
Fuentes de los datos
Datos a 22 de octubre de 2026
Señalar un error
¿Una cifra, una fecha o un dato le parece incorrecto? Díganoslo: verificamos cada aviso.