Embedding

Qué es un embedding

Un embedding es una representación numérica de texto (o imagen, audio) como un vector de cientos o miles de dimensiones. Permite a la IA entender el significado en términos matemáticos.

Cómo funciona conceptualmente

Imagina que cada concepto se ubica en un espacio multidimensional. Conceptos relacionados están cerca unos de otros:

perro    → vector cerca de gato (ambos mamíferos domésticos)
perro    → vector lejos de rascacielos
agencia digital → cerca de marketing online, consultora SEO
manzana → cerca de fruta, pero también de tecnología (Apple)

Los modelos de embedding aprenden estas relaciones a partir de miles de millones de textos.

Dimensiones típicas

Cada vector tiene cientos o miles de números:

• OpenAI text-embedding-3-small: 1.536 dimensiones
• OpenAI text-embedding-3-large: 3.072 dimensiones
• Google embeddings: 768 dimensiones
• Cohere embeddings: 1.024 dimensiones

Más dimensiones = más matiz pero más coste de cómputo y almacenamiento.

Ejemplo (simplificado a 4 dimensiones)

Si los embeddings fueran de 4 dimensiones (en realidad son miles):

perro     → [0.8, 0.2, 0.1, 0.9]
gato      → [0.7, 0.3, 0.1, 0.8]
coche     → [0.1, 0.9, 0.8, 0.2]
automóvil → [0.2, 0.9, 0.8, 0.3]

Vectores cercanos (perro/gato, coche/automóvil) → conceptos relacionados. Vectores lejanos (perro/coche) → conceptos distintos.

Para qué se usan

1. Búsqueda semántica

En lugar de buscar palabras literales, buscas significado:

• Usuario busca cómo bajar costes de adquisición
• Sistema busca documentos con embedding cercano
• Encuentra documento titulado reducir CAC en B2B (no contiene bajar costes literalmente, pero semánticamente es lo mismo)

2. RAG (Retrieval-Augmented Generation)

Base de cómo funciona RAG:

1. Toda tu documentación se convierte a embeddings
2. Cuando el usuario pregunta, su pregunta se convierte a embedding
3. Buscas los 5 documentos con embedding más cercano a la pregunta
4. Pasas esos documentos como contexto al LLM
5. LLM responde con la info correcta de tus documentos

3. Clasificación de texto

Si entrenaste con muchos ejemplos:

• Reviews con sentimiento positivo → vectores en cierta región
• Reviews negativas → vectores en otra región
• Para clasificar nueva review: ver dónde cae su vector

4. Detección de duplicados

Si dos textos tienen embeddings muy cercanos → son parecidos (aunque la wording cambie).

5. Recomendaciones

Productos con embeddings cercanos → te puede interesar también…

Cómo se calculan

Modelos especializados de embedding procesan el texto:

import openai

response = openai.embeddings.create(
    model=text-embedding-3-small,
    input=Tu texto aquí
)

vector = response.data[0].embedding  # array de 1536 floats

Distancia entre vectores

Para medir si dos embeddings son cercanos:

Cosine similarity (más usado)

Mide el ángulo entre vectores. Rango -1 a 1.

• 1.0 = idénticos
• 0.0 = no relacionados
• -1.0 = opuestos

En la práctica:

• > 0.85 = muy similares
• 0.7-0.85 = relacionados
• 0.5-0.7 = vagamente
• < 0.5 = distintos

Otras métricas

• Euclidean distance: distancia en el espacio
• Dot product: producto escalar

Coste

API de embeddings es barata comparado con LLMs:

• OpenAI text-embedding-3-small: 0,02$ / 1M tokens
• OpenAI text-embedding-3-large: 0,13$ / 1M tokens
• Cohere embed-multilingual-v3: 0,10$ / 1M tokens
• Voyage AI: 0,12$ / 1M tokens

Embedding de un libro entero (200.000 palabras ≈ 270.000 tokens) cuesta menos de 0,10$.

Modelos populares 2026

Modelo	Dimensiones	Precio/1M tokens	Uso típico
OpenAI text-embedding-3-small	1536	0,02$	Recomendado general
OpenAI text-embedding-3-large	3072	0,13$	Alta precisión
Cohere embed-multilingual-v3	1024	0,10$	Multi-idioma
Voyage AI voyage-2	1024	0,12$	RAG avanzado
Open source (BGE-large, etc.)	768-1024	0 (self-host)	Privacidad

Para casi cualquier caso de uso de pyme: OpenAI text-embedding-3-small es ideal por coste/calidad.

Almacenamiento

Vectores de 1536 dimensiones × 4 bytes (float) = ~6 KB por vector. 100.000 chunks de documentos = 600 MB.

Se almacenan en vector databases especializadas (Pinecone, Weaviate, Chroma, Qdrant) optimizadas para búsqueda rápida.