Búsqueda semántica
La búsqueda semántica es un método de recuperación que coincide consultas con documentos basándose en significado conceptual en lugar de superposición de palabras clave, utilizando vectores de embedding y métricas de similitud para mostrar resultados contextualmente relevantes independientemente de la redacción exacta.
La búsqueda léxica tradicional (BM25, TF-IDF) califica documentos por cuántos términos de consulta contienen y qué tan raros son esos términos — es fundamentalmente un ejercicio de conteo de palabras. La búsqueda semántica reemplaza esto con una operación geométrica en el espacio de embedding: tanto la consulta como cada documento candidato se codifican en vectores densos, y la recuperación se realiza encontrando los vectores más cercanos al vector de consulta. Debido a que el modelo de embedding ha aprendido que "coche" y "automóvil" están semánticamente relacionados, los documentos sobre automóviles se clasifican altamente para una consulta sobre coches incluso si la palabra "coche" nunca aparece en esos documentos.
Un sistema de búsqueda semántica opera en dos fases. Offline, un corpus de documentos se codifica por un modelo de embedding y los vectores resultantes se almacenan en una base de datos vectorial con un índice ANN. Online, la consulta del usuario se codifica por el mismo modelo y el índice recupera los K vectores de documento más similares, clasificados por similitud coseno o producto punto. En producción, la recuperación semántica (densa) se combina comúnmente con recuperación léxica (dispersa) en una arquitectura híbrida: BM25 recupera coincidencias de palabras clave, un índice ANN recupera coincidencias semánticas, y los resultados combinados se re-clasifican por un modelo cross-encoder que califica cada candidato leyendo la consulta y el documento conjuntamente.
La búsqueda semántica aborda el problema de falta de coincidencia de vocabulario que afecta a los sistemas léxicos: los usuarios raramente formulan consultas usando las mismas palabras que los autores usan en los documentos. Mejora el recall para paráfrasis, sinónimos y consultas conceptuales, y habilita la recuperación multilingüe ya que los modelos de embedding multilingües colocan frases equivalentes en diferentes idiomas cerca uno del otro en el espacio vectorial. Para bases de conocimiento empresariales, catálogos de productos y literatura científica, la búsqueda semántica expone contenido relevante que los sistemas de palabras clave pasarían por alto completamente.
A partir de 2026, la búsqueda semántica es un componente estándar de las plataformas de búsqueda empresarial incluyendo Microsoft SharePoint Copilot, Elastic con ELSER, y Algolia NeuralSearch, así como la capa de recuperación de la mayoría de los pipelines RAG. El enfoque de producción dominante es la búsqueda híbrida con re-clasificación: recuperación densa para recall, recuperación dispersa para precisión, y un cross-encoder para el ordenamiento final. Un desafío restante es manejar documentos muy largos: el embedding ingenuo de documento completo pierde información de grano fino, impulsando la adopción de estrategias de chunking y modelos de interacción tardía como ColBERT que comparan consulta y documento a nivel de token.