# Qué son los embeddings, cómo funcionan y para qué sirven > Qué son los embeddings, cómo se mide el parecido entre dos textos (similitud del coseno), un ejemplo medido con frases de un servicio técnico, para qué sirven, sus límites y qué es una base de datos vectorial. Joaquín Tenés · 2026-11-14 · https://delegic.com/glosario/embeddings Cuando un cliente escribe «la caldera pierde agua» y el manual habla de «fuga en el circuito», una búsqueda por palabras no encuentra nada: no comparten ni una. Los embeddings son la forma de buscar por lo que significa un texto y no por cómo está escrito. Aquí tienes qué son, cómo se mide el parecido, un ejemplo medido con frases de un servicio técnico, para qué sirven y dónde fallan. ## En pocas palabras - Un embedding convierte un texto en una lista larga de números, del orden de cientos o miles. - Los textos que tratan de lo mismo quedan con números parecidos, aunque no compartan palabras. - El parecido se mide con la similitud del coseno, de 0 a 1 en la práctica. - Mide de qué habla un texto, no si dice lo mismo: en nuestra prueba, la frase contraria salió como la más parecida. - Se guardan en una base de datos vectorial y son la pieza de búsqueda del RAG clásico. ## ¿Qué es un embedding? [IBM](https://www.ibm.com/think/topics/embedding) lo define como una forma de representar objetos, como textos, imágenes o audio, como puntos en un espacio de muchas dimensiones, de manera que su posición tenga sentido para un algoritmo: lo que se parece queda cerca. En la práctica, un embedding de un texto es una lista de números decimales. La documentación de Microsoft lo explica así: Documentación de embeddings de [Microsoft Learn](https://learn.microsoft.com/en-us/azure/foundry-classic/openai/concepts/understand-embeddings), consultada el 14 de noviembre de 2026. Cada número es una coordenada, y cada texto es un punto. El [curso de aprendizaje automático de Google](https://developers.google.com/machine-learning/crash-course/embeddings/embedding-space) lo ilustra con platos de comida colocados según lo que tienen de bocadillo, de postre o de líquido: el shawarma queda cerca del perrito caliente y lejos del borsch, la sopa de remolacha. Y avisa de que, en un embedding real, las dimensiones casi nunca se entienden así: lo normal es no saber qué significa el número 412 de la lista, solo que la distancia entre dos puntos sirve como medida de lo que se parecen. La idea no es nueva. IBM recuerda que Google publicó en 2013 word2vec, una forma eficiente de calcular embeddings de palabras sueltas en la que los sinónimos quedaban juntos. El curso de Google explica por qué funciona: «caballo» y «burro» aparecen en frases parecidas, como montar uno para bajar al cañón, y de eso el modelo deduce que significan algo parecido. Los modelos de ahora hacen lo mismo con frases y documentos enteros. ## ¿Cómo se ve con frases de verdad? Lo hemos medido. El 14 de noviembre de 2026 le pedimos a un modelo de embeddings comercial los números de seis frases de un servicio técnico, con una sola llamada, y calculamos lo que se parece cada una a la primera. Cada frase se convirtió en 1.536 números; estos son los primeros de la primera, y el parecido de las demás, de mayor a menor: La frase «La caldera no enciende» Sus primeros números, de 1.536 0,0093 · 0,0063 · −0,0140 · 0,0026 · −0,0377 · 0,0373 · … Lo que se parece, de 0 a 1 1. «La caldera ya enciende bien»dice lo contrario0,86 2. «La caldera hace un ruido raro»otra avería de la caldera0,71 3. «No arranca la calefacción»dice lo mismo, con otras palabras0,65 4. «Me han cobrado dos veces la factura»otro tema0,32 5. «¿A qué hora abre la oficina?»nada que ver0,16 Las dos de abajo salen como se espera: una queja de facturación y una pregunta por el horario quedan lejos de una avería. Lo interesante está arriba. La frase que dice lo mismo con otras palabras, «no arranca la calefacción», saca un 0,65, bastante más que la factura, así que el embedding sí ha entendido que caldera y calefacción van juntas aunque no compartan palabras. Pero queda por detrás de dos frases que comparten «la caldera», y la más parecida de todas es la que dice justo lo contrario. ## ¿Cómo se mide el parecido? Lo más habitual es la **similitud del coseno**. Microsoft la explica como el coseno del ángulo entre dos vectores: no mira lo lejos que están dos puntos, sino si apuntan en la misma dirección. Vale 1 cuando apuntan igual, 0 cuando no tienen nada que ver, y con los embeddings de texto casi siempre sale entre esos dos valores, como en el ejemplo de arriba. Microsoft también explica por qué se usa en lugar de contar palabras en común: con documentos largos, dos textos de temas distintos acaban compartiendo muchas palabras, y el recuento deja de distinguirlos. El ángulo, en cambio, no depende del tamaño del texto. Hay otras medidas, como la distancia euclídea, que es la distancia de toda la vida entre dos puntos, y IBM las cita como alternativas. ## ¿Para qué sirven? IBM enumera los usos principales: búsqueda por significado, sistemas de recomendación, análisis de sentimiento, detección de fraude y, el que más se oye ahora, [RAG](/glosario/rag), la técnica de buscar en los documentos antes de que un modelo conteste. En RAG clásico, cada fragmento de los documentos se convierte en un embedding y se guarda; cuando llega una pregunta, se convierte también y se buscan los fragmentos más cercanos. En una empresa de servicio técnico, eso permite cosas como encontrar el apartado del manual que habla de lo que describe el cliente aunque lo cuente con sus palabras, buscar en el histórico avisos parecidos al que acaba de entrar o agrupar las quejas de un año por motivo sin leerlas una a una. En los tres casos el embedding hace la primera criba y algo, una persona o un modelo, lee lo que ha encontrado. Los embeddings se guardan en una [base de datos vectorial](/glosario#base-de-datos-vectorial), que es una base de datos preparada para buscar rápido los puntos más cercanos a otro entre millones. Ya no hace falta una aparte: Microsoft cita su base de datos SQL y PostgreSQL entre las que lo hacen como una función más. ## ¿Qué límites tienen? El primero es el del ejemplo: miden el tema, no el sentido exacto, y una negación o un matiz pueden pasar desapercibidos. El segundo es que los números dependen del modelo que los calcula. Los de un modelo no se pueden comparar con los de otro, así que cambiar de modelo obliga a recalcular todos los documentos guardados. El tercero es que la búsqueda por parecido devuelve trozos sueltos. Si un procedimiento está repartido en tres párrafos, puede que solo vuelva uno, el que más se parece a la pregunta, y que el modelo conteste con media información. Por eso un buen sistema de búsqueda no se da por bueno sin probarlo con preguntas reales y mirar qué encuentra. ## ¿Embeddings o un índice? Con miles de documentos, buscar por parecido es la única forma práctica de encontrar algo. Con decenas, como los procedimientos, las tarifas y los manuales de una empresa de servicio técnico, hay otra opción que los agentes de IA han hecho posible: darle al agente un índice de lo que hay y que él decida qué abrir, como haría una persona con una carpeta. Es lo que hace [Delegic](/). Cada documento de la empresa lleva una línea de cuándo hay que leerlo, el agente lee ese índice y abre el apartado entero que necesita, en lugar de un trozo que se parece a la pregunta. La comparación entre las dos formas, con su diagrama, está en [qué es RAG](/glosario/rag). ## Preguntas frecuentes ### ¿Qué significa embedding? En inglés, incrustación o inserción: se «incrusta» el texto en un espacio de números. En español se usa casi siempre la palabra inglesa, y a veces vector de representación. ### ¿Cuántos números tiene un embedding? Depende del modelo. El que usamos en el ejemplo da 1.536 por frase; hay modelos con menos y con más, y cuantos más tiene, más ocupa guardarlos. ### ¿Es lo mismo un embedding que un token? No. Un [token](/glosario/tokens) es un trozo de texto, como una palabra o parte de ella, que es como lee el texto un modelo. Un embedding es la lista de números que representa el significado de un texto entero, de una palabra o de una frase. ### ¿Qué es la similitud del coseno? La forma más habitual de medir el parecido entre dos embeddings: el coseno del ángulo entre los dos vectores. Cuanto más cerca de 1, más se parecen. ## Términos relacionados - [RAG](/glosario/rag): buscar en los documentos antes de contestar. - [Base de datos vectorial](/glosario#base-de-datos-vectorial): donde se guardan los embeddings. - [LLM](/glosario/llm): el modelo que lee lo que encuentra la búsqueda. - [Token](/glosario/tokens): el trozo de texto con el que trabaja un modelo. - [Base de conocimiento](/glosario#base-de-conocimiento): los documentos en los que se busca.