Embedding: convertir el significado en números
Un embedding es una lista de números, un vector, que representa el significado de un texto, una imagen o un sonido. Los contenidos de sentido parecido reciben vectores parecidos, lo que permite a un programa buscar «por idea» y no por palabras exactas.
Datos a 22 de octubre de 2026
Lo esencial en cifras
| Nivel | Intermedio |
|---|
El significado convertido en coordenadas
Imagine un inmenso mapa en el que cada frase tiene una ubicación. «¿Cómo cancelo mi suscripción?» y «Quiero dar de baja mi contrato» estarían muy cerca, aunque casi no compartan palabras. «Receta de tortitas» estaría lejos. Un embedding es esa ubicación, escrita como una lista de números. La documentación de OpenAI lo explica así: un embedding es un vector de números y la distancia entre dos vectores mide cuánto se relacionan los textos.
Estos vectores los calcula una red neuronal entrenada para situar cerca las cosas parecidas. La idea se popularizó en 2013 con word2vec, de Tomas Mikolov y sus colegas de Google, que producía un vector por palabra. Los modelos actuales codifican frases, párrafos e incluso imágenes.
Un ejemplo concreto
Un sitio de recetas quiere que la búsqueda «cena rápida sin horno» muestre también «salteado de verduras en 15 minutos». La búsqueda por palabras clave falla: ninguna palabra coincide. Con embeddings, el sitio calcula una vez un vector por receta, luego otro para la consulta, y muestra las recetas más cercanas. Esa es la base de la búsqueda semántica.
Por qué es importante
Los embeddings son la pieza invisible de muchas funciones: búsqueda documental, recomendaciones, detección de duplicados, clasificación automática. En especial, están en el corazón del RAG: sus documentos se convierten en vectores y se guardan en una base de datos vectorial, que encuentra los pasajes útiles antes de que el modelo responda. Los proveedores suelen cobrar según el número de tokens procesados; nuestro estimador de tokens le ayuda a calcular el tamaño de una colección de documentos.
Ideas falsas y trampas
- «Cercano en sentido significa verdadero». Un embedding mide la similitud, no la exactitud: un texto falso pero bien redactado puede quedar muy cerca de su pregunta.
- «Más dimensiones siempre es mejor». Los vectores largos cuestan más de almacenar y comparar; la elección depende de la tarea.
- «Se pueden mezclar modelos». Consultas y documentos deben codificarse con el mismo modelo, o las distancias no tienen sentido.
- «Un embedding no revela el texto original». No es su objetivo, pero una investigación publicada en 2023 mostró que es posible reconstruir buena parte del texto a partir de sus embeddings. Trátelos como datos sensibles si sus textos lo son.
Términos relacionados: búsqueda semántica, base de datos vectorial, RAG, tokenizador.
Términos relacionados
- 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.
- Búsqueda semántica · Búsqueda que encuentra contenidos por su significado, no por palabras idénticas, comparando representaciones numéricas de los textos.
- 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.
- Tokenizador · Programa que divide un texto en tokens (trozos de palabras) y los convierte en números, la única forma que un modelo de lenguaje sabe leer.
- Red neuronal · Programa formado por muchas pequeñas unidades de cálculo conectadas, que aprende ajustando la fuerza de las conexiones entre ellas.
Para probar
Todo el glosario
Preguntas frecuentes
¿Qué aspecto tiene un embedding?
Es una larga lista de números decimales, a menudo varios cientos o unos miles. Por separado, esos números no significan nada legible: lo que cuenta es la distancia entre dos listas.
¿Los asistentes como Claude o ChatGPT generan embeddings?
Los embeddings los producen modelos especializados, distintos de los que redactan las respuestas. OpenAI ofrece modelos de embeddings en su API; la documentación de Anthropic indica que no ofrece un modelo de embeddings propio y remite a proveedores externos como Voyage AI.
¿Se pueden comparar embeddings de dos modelos distintos?
No. Cada modelo de embeddings tiene su propio «espacio» numérico. Si cambia de modelo, debe volver a calcular los embeddings del conjunto de sus documentos.
¿Un embedding es lo mismo que un token?
No. Un token es un fragmento de texto producido por el tokenizador. Un embedding es una representación numérica del sentido, ya sea de un token, de una frase o de un documento entero.
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.