Búsqueda vectorial

TL;DR — La búsqueda vectorial encuentra contenido por significado en lugar de coincidir con las palabras exactas que escribiste. Convierte tu consulta y cada documento almacenado en una lista de números — un vector — y devuelve los documentos cuyos números están más cerca de los números de tu consulta. Así es como la búsqueda con IA y los chatbots encuentran los pasajes de los que responden.

Qué es la búsqueda vectorial

La búsqueda vectorial recupera elementos por proximidad en un espacio de incrustaciones, a menudo usando índices de vecinos más cercanos aproximados para escalar. Evidence for this claim HNSW is an approximate nearest-neighbor method that organizes vectors in a multilayer navigable graph for efficient search. Scope: The HNSW algorithm and reported evaluations; production indexes may use different ANN methods and parameters. Confidence: high · Verified: 2026-07-14 Malkov and Yashunin: HNSW La similitud depende del modelo de incrustación, la función de distancia y los datos indexados. Evidence for this claim Embedding vectors can be compared by distance to retrieve related items. Scope: OpenAI embedding guidance; retrieval quality depends on model choice, corpus, index, filters, and evaluation. Confidence: high · Verified: 2026-07-14 OpenAI: Embeddings guide

La búsqueda por palabras clave de la vieja escuela coincide con palabras. Si buscas “cómo arreglar un sitio web lento” y una página dice “mejorar el rendimiento del sitio”, un motor de palabras clave puro podría no encontrarlo — palabras diferentes, mismo significado.

La búsqueda vectorial soluciona eso. Un modelo llamado modelo de incrustaciones lee texto y lo convierte en una larga lista de números (un vector) que captura lo que el texto significa. El contenido sobre lo mismo obtiene números similares, por lo que aterriza cerca en una especie de mapa matemático. La búsqueda vectorial solo pregunta: ¿qué vectores almacenados están más cerca del vector de la consulta?

Así, “arreglar un sitio web lento” y “mejorar el rendimiento del sitio” terminan cerca uno del otro en el mapa, y la búsqueda vectorial encuentra la coincidencia aunque las palabras no coincidan.

Un modelo mental simple

Imagina cada página web colocada como un punto en un mapa gigante, donde los puntos sobre el mismo tema están cerca entre sí — todas las páginas de perros en un vecindario, todas las páginas de impuestos en otro. Cuando buscas, tu consulta también se convierte en un punto. La búsqueda vectorial encuentra los puntos más cercanos y los devuelve.

Esa es toda la idea. La parte difícil es hacerlo rápido cuando hay miles de millones de puntos — que es lo siguiente que hay que entender.

Por qué “aproximado”

Comparar tu consulta contra cada vector almacenado sería demasiado lento a escala web. Así que los sistemas reales usan atajos inteligentes llamados algoritmos de vecino más cercano aproximado (ANN). No revisan cada punto — toman caminos inteligentes a través del mapa para encontrar los más cercanos casi perfectamente, en unos pocos milisegundos. “Casi” está bien: perder el resultado número 19 entre millones no cambia tu respuesta, y la velocidad que compra es enorme.

Por qué esto te importa

En las respuestas de IA — AI Overviews de Google, búsqueda de ChatGPT, Perplexity — el sistema primero recupera un puñado de pasajes relevantes, luego escribe una respuesta a partir de ellos. Ese paso de recuperación es la búsqueda vectorial. Si tu contenido no está semánticamente cerca de la pregunta, nunca llega a la lista corta y no puede ser citado.

No hay truco para “optimizar para la búsqueda vectorial”. Lo que recompensa es lo que el buen contenido siempre requirió: escritura clara, genuinamente sobre el tema y con profundidad real. Las páginas delgadas y rellenas de palabras clave no aterrizan en un vecindario coherente en el mapa, por lo que no se recuperan.

¿Quieres los algoritmos (HNSW, ScaNN), las métricas de distancia, cómo Google usa esto realmente y el panorama completo de SEO? Cambia a la pestaña Avanzado.

TL;DR — La búsqueda vectorial recupera los vectores más cercanos a un vector de consulta en un espacio de incrustaciones de alta dimensión, usando algoritmos de vecino más cercano aproximado (ANN) — HNSW, IVF, FAISS, ScaNN — porque la comparación exacta sobre miles de millones de vectores es imposible en tiempo real. ANN es aproximado por diseño: intercambia una pizca de recuperación por velocidad de órdenes de magnitud. La búsqueda vectorial es un mecanismo para la búsqueda semántica, no un sinónimo de ella, y es el paso de recuperación dentro de cada sistema RAG (AI Overviews incluido). La producción rara vez lo ejecuta solo — el patrón real es híbrido: BM25 + vector + reordenamiento. Para SEO no hay perilla que girar; la proximidad vectorial es la puerta al grupo de candidatos y recompensa profundidad a nivel de pasaje y coherencia temática.

Dónde se sitúa la búsqueda vectorial

La recuperación vectorial es un componente que puede alimentar la clasificación o la generación; no es un sistema de búsqueda completo por sí mismo. Evidence for this claim HNSW is an approximate nearest-neighbor method that organizes vectors in a multilayer navigable graph for efficient search. Scope: The HNSW algorithm and reported evaluations; production indexes may use different ANN methods and parameters. Confidence: high · Verified: 2026-07-14 Malkov and Yashunin: HNSW No existe un umbral de distancia fijo ni un algoritmo de índice universalmente mejor. Evidence for this claim Embedding vectors can be compared by distance to retrieve related items. Scope: OpenAI embedding guidance; retrieval quality depends on model choice, corpus, index, filters, and evaluation. Confidence: high · Verified: 2026-07-14 OpenAI: Embeddings guide

Los embeddings te dan los vectores — la búsqueda vectorial es lo que haces con ellos. Si los embeddings son la mitad de la historia del “qué es un vector”, esta es la mitad del “ahora encuentra los más cercanos”. Y vale la pena ser precisos sobre una distinción que la industria difumina constantemente: la búsqueda semántica es el objetivo; la búsqueda vectorial es un método para alcanzarlo. La búsqueda semántica también puede apoyarse en grafos de conocimiento, reconocimiento de entidades y coincidencia de intenciones. La búsqueda vectorial específicamente significa recuperación ANN sobre un espacio de embeddings — así que no son sinónimos, aunque se usen como si lo fueran.

Cómo funciona la búsqueda vectorial, paso a paso

El proceso es el mismo ya seas Google o un proyecto RAG de fin de semana:

1. Incorpora el contenido. Un modelo codificador convierte cada fragmento de contenido en un vector. Nota fragmento — la búsqueda vectorial no compara páginas completas; compara pasajes. El fragmentado es la unidad de recuperación, por eso la densidad a nivel de pasaje importa más que la presencia de palabras clave a nivel de página.
2. Construye un índice. Los vectores van a un índice vectorial construido para búsquedas rápidas de vecinos más cercanos (un índice ANN — más abajo).
3. Incorpora la consulta. En el momento de la consulta, el mismo modelo convierte la consulta del usuario en un vector en el mismo espacio.
4. Ejecuta la búsqueda ANN. El índice devuelve los k vectores más cercanos al vector de consulta — el conjunto de candidatos.
5. Clasifica y devuelve. Esos candidatos se puntúan, a menudo se reclasifican, y los mejores se sirven (o, en RAG, se pasan a un LLM para generar a partir de ellos).

Vecino más cercano aproximado — por qué “aproximado”

Encontrar los vecinos más cercanos exactos significa comparar la consulta con cada vector almacenado — O(N) por consulta. Con miles de millones de vectores, en milisegundos, eso es inviable. Así que la búsqueda en producción usa ANN: estructuras de indexación que encuentran los vecinos más cercanos casi perfectamente mientras omiten la gran mayoría de las comparaciones.

Como dice Elastic, ANN “sacrifica la precisión perfecta a cambio de ejecutar eficientemente en espacios de embeddings de alta dimensión, a escala.” Weaviate enmarca la misma compensación como el intercambio de “un poco de precisión por una gran ganancia en velocidad.” Esto no es un error — es la elección de ingeniería que hace posible la búsqueda vectorial en absoluto. La métrica para “qué tan buena es la aproximación” es el recall: Google lo define como “el porcentaje de vecinos más cercanos devueltos por el índice que son realmente vecinos más cercanos verdaderos.” El propio servicio Vector Search de Google — renombrado de “Vertex AI Vector Search” y ahora documentado bajo la plataforma Gemini Enterprise Agent — reporta un recall del 95–98 % — cedes un par de puntos porcentuales de los vecinos verdaderos y obtienes búsqueda a escala web a cambio.

Algoritmos ANN clave

No necesitas implementarlos, pero conocer los nombres desmitifica gran parte de la discusión sobre búsqueda con IA.

• HNSW (Hierarchical Navigable Small World) — el estándar de la industria. Un grafo de múltiples capas donde las capas superiores son “carriles rápidos” dispersos con conexiones de largo alcance para un recorrido rápido, y las capas inferiores son “carreteras locales” densas para una navegación precisa. Logra una complejidad de búsqueda aproximadamente logarítmica, por eso domina la producción. Lo usan Weaviate, Pinecone, pgvector, Qdrant y más. El inconveniente es la memoria: los índices HNSW consumen mucha RAM. El veredicto de Pinecone — “HNSW nos da una gran calidad de búsqueda a velocidades de búsqueda muy rápidas — pero siempre hay un inconveniente — los índices HNSW ocupan una cantidad significativa de memoria.”
• IVF (Inverted File Index) — particiona el espacio en clústeres (k-means), y en el momento de la consulta solo busca los pocos clústeres más cercanos a la consulta (nprobe). Pinecone lo llama “un índice muy popular porque es fácil de usar, con alta calidad de búsqueda y velocidad de búsqueda razonable… una buena opción escalable.”
• FAISS — la biblioteca de Facebook AI (Johnson, Douze, Jégou) para búsqueda de similitud a escala de miles de millones. Es una caja de herramientas, no un solo algoritmo: una línea base exacta plana (IndexFlatL2), IVF agrupado, IVFPQ con cuantización de producto para una compresión de memoria de 4 a 64 veces, y una implementación de HNSW. Su adaptación a GPU reportó una aceleración de 8,5 veces en la búsqueda k-NN.
• ScaNN (Scalable Nearest Neighbors) — la biblioteca de Google, de código abierto, la misma familia de tecnología detrás de Google Image Search, YouTube y Google Play. Su innovación es la cuantización vectorial anisotrópica: en lugar de minimizar la distancia promedio, “penaliza más fuertemente el error de cuantización que es paralelo al vector original,” porque el error direccional daña desproporcionadamente los resultados de alto producto interno (los más relevantes). La recompensa: “supera a otras bibliotecas de búsqueda de similitud vectorial por un factor de dos” en ann-benchmarks.com — aproximadamente el doble de consultas por segundo con una precisión dada.
• Índice plano (exacto) — sin aproximación alguna; fuerza bruta, el más preciso, el más lento. Pinecone señala que los índices planos “producen los resultados más precisos” y son la opción correcta cuando la calidad de búsqueda es primordial o el índice es pequeño (menos de ~10 000 vectores). Por encima de esa escala, se pasa a ANN.

El hilo conductor: cada índice ANN es un dial entre recall, latencia, rendimiento y memoria. Como dice Weaviate, la mayoría de las bases de datos vectoriales permiten “configurar cómo debe comportarse tu algoritmo ANN… para encontrar el equilibrio adecuado.”

Métricas de distancia

“Más cercano” necesita una definición. Tres son comunes:

• Similitud de coseno — el valor predeterminado para texto. Mide el ángulo entre dos vectores, ignorando la magnitud, por lo que un documento corto y uno largo sobre el mismo tema obtienen la misma puntuación. Weaviate: “La similitud de coseno se usa comúnmente en el procesamiento del lenguaje natural… Mide la similitud entre documentos independientemente de la magnitud.”
• Producto punto (producto interno) — se usa cuando la relevancia se define por el producto interno (el problema MIPS que ScaNN optimiza).
• Distancia euclidiana (L2) — distancia en línea recta; se usa cuando la magnitud tiene significado.

Aquí está el atajo práctico: para vectores normalizados, la similitud de coseno y el producto punto dan clasificaciones idénticas, y la mayoría de los modelos de incrustación modernos normalizan su salida a longitud unitaria. OpenAI lo dice claramente — “Recomendamos la similitud de coseno. La elección de la función de distancia normalmente no importa mucho” — precisamente porque sus incrustaciones tienen longitud 1. La regla real, según Weaviate: “Usa la métrica de distancia que coincida con el modelo que estás usando… No hay una ‘talla única’.”

Bases de datos vectoriales

Una base de datos vectorial almacena vectores y ejecuta ANN sobre ellos para que no tengas que construir la infraestructura de índices tú mismo. Los nombres comunes — Pinecone (gestionado), Weaviate (búsqueda híbrida integrada), Chroma y FAISS (excelentes para prototipos/procesos en memoria), Qdrant, Milvus (escala autoalojada) y pgvector (una extensión de Postgres, para equipos que ya usan SQL). Los enumero, no los clasifico: la elección correcta depende de la escala, de si prefieres una solución gestionada o autoalojada, y de si necesitas búsqueda híbrida de serie. A la escala de Google/Bing, la “base de datos” es infraestructura interna de ScaNN/ANN, no cualquiera de estas.

Búsqueda híbrida: cómo funciona realmente la producción

El planteamiento de “búsqueda por palabras clave frente a búsqueda vectorial” es un falso binario. La búsqueda puramente vectorial falla en consultas de coincidencia exacta (códigos de error, SKU, nombres propios), y la búsqueda puramente por palabras clave falla en variantes semánticas. Por eso los sistemas serios ejecutan búsqueda híbrida: recuperación por palabras clave (BM25) y vectorial en paralelo, fusión de resultados (comúnmente con Reciprocal Rank Fusion), y luego los mejores candidatos se reordenan con un cross-encoder. Microsoft define la búsqueda híbrida como “the execution of vector search and keyword search in the same request… The queries execute in parallel, and the results are merged into a single response and ranked accordingly.” (traducción) «la ejecución de la búsqueda vectorial y la búsqueda por palabras clave en la misma solicitud… Las consultas se ejecutan en paralelo y los resultados se fusionan en una única respuesta y se clasifican en consecuencia.» El Vector Search de Google admite los mismos tres modos: denso (semántico), disperso (por palabras clave) e híbrido. Si te llevas algo de esta sección: la recuperación en producción casi nunca es solo vectorial. Es la combinación la que gana.

Cómo usa Google (y Bing) realmente la búsqueda vectorial

Esto no es una novedad de la era ChatGPT de 2023. La infraestructura precede a la ola de LLM por años:

• ScaNN (ICML 2020, de código abierto) impulsa Google Image Search, YouTube y Google Play, y sustenta el producto Vector Search de Google (el servicio antes llamado Vertex AI Vector Search), que “shares the same backend” (traducción) «comparte el mismo backend» que esos productos de consumo. Kaz Sato, de Google, calificó la tecnología como “one of the most important components of Google’s core services.” (traducción) «uno de los componentes más importantes de los servicios principales de Google.» Especificación de rendimiento: “tens of thousands of requests per second… in less than 10 ms for the 90th percentile with a recall rate of 95–98%.” (traducción) «decenas de miles de solicitudes por segundo… en menos de 10 ms para el percentil 90 con una tasa de recuperación del 95–98 %.»
• Bing ya ejecutaba índices vectoriales de más de 100 mil millones para 2019. En palabras de Microsoft, Bing podía “search through this giant index of 100 billion-plus vectors to find the most related results in 5 milliseconds.” (traducción) «buscar en este índice gigante de más de 100 mil millones de vectores para encontrar los resultados más relevantes en 5 milisegundos.» Eso fue hace más de seis años.
• Dense Passage Retrieval (DPR, EMNLP 2020) demostró que la recuperación vectorial densa podía superar a Lucene-BM25 en 9–19 % absoluto en precisión de recuperación de pasajes top-20 con un simple dual-encoder. DPR es el modelo que sigue la recuperación RAG moderna: el paso de recuperación detrás de AI Overviews es un descendiente de este patrón.
• MUVERA (2025) hace que la recuperación multivectorial sea tan rápida como la búsqueda de vector único: aproximadamente “10% higher recall with ~90% lower latency” (traducción) «un 10 % más de recuperación con ~90 % menos de latencia» que los métodos anteriores.
• TurboQuant (ICLR 2026) comprime vectores para la búsqueda del vecino más cercano con una reducción de memoria reportada de 6x y una pérdida de precisión prácticamente nula.

El punto no es memorizar la hoja de ruta: es que la recuperación basada en embeddings es cómo los grandes motores encuentran contenido relevante, y lo ha sido durante años.

Qué significa esto para el SEO

Déjame ser cuidadoso aquí, porque es donde el consejo de SEO suele excederse.

La proximidad vectorial es la nueva puerta al grupo de candidatos. En las respuestas basadas en RAG, la recuperación ocurre antes de la generación. Si tu pasaje no está semánticamente cerca del embedding de la consulta, nunca entra en la lista corta desde la que escribe el modelo, por lo que no puede citarse. Ese es el mecanismo.

Pero no existe un “interruptor de optimización para la búsqueda vectorial”. La señal subyacente es la coherencia semántica y la profundidad temática, que es lo que el contenido de calidad siempre ha requerido. La búsqueda vectorial no recompensa un truco nuevo; penaliza el contenido superficial y el relleno de palabras clave (que no forman un vecindario coherente en el espacio de incrustaciones) y recompensa la cobertura genuinamente completa y bien estructurada. Como lo expresé en el artículo sobre incrustaciones, haciendo eco de Danny Sullivan sobre BERT: en gran medida no hay nada que “optimizar” aquí: haces que tu contenido se agrupe limpiamente cerca de las consultas que debería responder.

Dos implicaciones concretas que sí se derivan:

• La segmentación importa. La recuperación opera sobre pasajes, no sobre páginas completas. Una página puede no clasificar para nada si ningún pasaje individual es una coincidencia semántica limpia. Escribe pasajes que se sostengan por sí mismos.
• La profundidad temática y la cobertura de entidades son cómo ocupas el vecindario correcto en el espacio de incrustaciones. El contenido superficial y disperso se incrusta en una región difusa cerca de nada en particular.

La búsqueda vectorial es el motor de recuperación detrás de RAG y las respuestas de IA; la clasificación de pasajes es lo que les sucede a los candidatos después de la recuperación; y los rastreadores de IA que alimentan estos sistemas incrustan e indexan vectorialmente lo que obtienen. Para el pipeline más amplio, consulta Cómo funciona la búsqueda.

Resumen de IA

Una versión condensada de la versión avanzada:

• La búsqueda vectorial = encontrar los vectores más cercanos a un vector de consulta en un espacio de incrustaciones de alta dimensión. Coincide con el significado, no con palabras exactas.
• Las incrustaciones producen los vectores; la búsqueda vectorial recupera sobre ellos. Y es un mecanismo para la búsqueda semántica, no un sinónimo: la búsqueda semántica es el objetivo.
• ANN es aproximado por diseño. La comparación exacta sobre miles de millones de vectores es imposible en tiempo real, por lo que HNSW / IVF / FAISS / ScaNN intercambian una pizca de recuperación (Google informa 95–98 %) por una velocidad de órdenes de magnitud.
• HNSW es el predeterminado de producción (basado en grafos, búsqueda logarítmica, con uso intensivo de memoria). ScaNN es la biblioteca de código abierto de Google detrás de Image Search, YouTube y Google Play. Los índices planos/exactos solo tienen sentido por debajo de ~10 000 vectores.
• La similitud coseno es el predeterminado para texto; para vectores normalizados (la mayoría de los modelos modernos, incluidos los de OpenAI), el coseno y el producto punto dan clasificaciones idénticas.
• La producción es híbrida, no solo vectorial: BM25 + vector en paralelo, fusionados con Reciprocal Rank Fusion, y luego reordenados con un cross-encoder.
• Es anterior a la ola de LLM: Bing ejecutó índices vectoriales de más de 100 000 millones en 2019; ScaNN y DPR son de 2020. DPR superó a BM25 por 9–19 % y es el modelo de recuperación RAG.
• Conclusión para SEO: la proximidad vectorial es la puerta de entrada al grupo de candidatos de respuestas de IA, pero no hay interruptor que girar: recompensa la profundidad a nivel de pasaje y temáticamente coherente, y penaliza el contenido superficial y relleno de palabras clave. La claridad a nivel de fragmento importa.

Documentación oficial

Documentación de fuentes primarias sobre búsqueda vectorial / de incrustaciones de los motores y los proveedores de modelos de incrustaciones.

Google

• Descripción general de Vector Search — el servicio impulsado por ScaNN, renombrado de “Vertex AI Vector Search” y ahora documentado bajo la plataforma Gemini Enterprise Agent; embeddings densos, dispersos e híbridos; la definición de recall.
• Anuncio de ScaNN: búsqueda eficiente de similitud vectorial — cuantización vectorial anisotrópica y el resultado de referencia 2 veces más rápido.
• Encuentra cualquier cosa a gran velocidad con la tecnología de búsqueda vectorial de Google — la explicación de Kaz Sato; palabra clave vs. vector; especificaciones de rendimiento.
• Infraestructura RAG usando Agent Platform y Vector Search — cómo la búsqueda vectorial es el paso de recuperación en RAG (página retitulada de “Vertex AI and Vector Search” cuando Google la integró bajo la plataforma Gemini Enterprise Agent).
• MUVERA: recuperación multi-vector tan rápida como la búsqueda de vector único.
• TurboQuant: compresión extrema para búsqueda vectorial.

Microsoft / Bing / Azure

• Descripción general de Vector Search — Azure AI Search — la definición del lado del motor de la búsqueda vectorial e híbrida.
• A medida que las necesidades de búsqueda evolucionan… (búsqueda vectorial de Bing) — el artículo de 2019 que muestra el índice vectorial de más de 100 mil millones de Bing.

Documentación de modelos de embeddings / proveedores

• OpenAI — Embeddings vectoriales — funciones de distancia y por qué la elección rara vez importa para vectores normalizados.
• Weaviate — Búsqueda vectorial explicada y Métricas de distancia en la búsqueda vectorial.
• Pinecone — ¿Qué es la búsqueda de similitud? y Índices de vecino más cercano.
• Elastic — ¿Qué es la búsqueda vectorial?.

Citas de la fuente

Declaraciones registradas de Google y Microsoft/Bing. Cada enlace es un enlace profundo que salta al pasaje citado en la página de origen.

Google

• “The vector similarity search (or nearest neighbor search or simply vector search) capabilities of the Vertex AI Matching Engine… share the same backend as Google Image Search, YouTube, Google Play, and more.” (traducción) «Las capacidades de búsqueda de similitud vectorial (o búsqueda del vecino más cercano o simplemente búsqueda vectorial) del Vertex AI Matching Engine… comparten el mismo backend que Google Image Search, YouTube, Google Play y más.» — Kaz Sato, Developer Advocate, Cloud AI. Ir a la fuente
• “Vector search provides a much more refined way to find content, with subtle nuances and meanings. Vectors can represent the meaning of content where ‘films’, ‘movies’, and ‘cinema’ are all collected together.” (traducción) «La búsqueda vectorial ofrece una forma mucho más refinada de encontrar contenido, con matices y significados sutiles. Los vectores pueden representar el significado del contenido donde ‘films’, ‘movies’ y ‘cinema’ se agrupan todos juntos.» Ir a la fuente
• “The technology is one of the most important components of Google’s core services.” — Kaz Sato. (traducción) «La tecnología es uno de los componentes más importantes de los servicios principales de Google.» Ir a la cita
• “Today, we’re just beginning the migration from traditional search technology to new vector search. Over the next 5 to 10 years, many more best practices and tools will be developed.” — Kaz Sato. (traducción) «Hoy apenas comenzamos la migración de la tecnología de búsqueda tradicional a la nueva búsqueda vectorial. En los próximos 5 a 10 años, se desarrollarán muchas más prácticas recomendadas y herramientas.» Ir a la cita
• ScaNN “outperforms other vector similarity search libraries by a factor of two on ann-benchmarks.com.” (traducción) «supera a otras bibliotecas de búsqueda de similitud vectorial por un factor de dos en ann-benchmarks.com.» Ir a la cita

Microsoft / Bing

• “Vector search is an information retrieval approach that supports indexing and querying over numeric representations of content. Because the content is numeric rather than plain text, matching is based on vectors that are most similar to the query vector.” (traducción) «La búsqueda vectorial es un enfoque de recuperación de información que admite la indexación y consulta de representaciones numéricas del contenido. Como el contenido es numérico en lugar de texto plano, la coincidencia se basa en los vectores más similares al vector de consulta.» — Documentación de Azure AI Search. Leer el documento
• “Keyword search algorithms just fail when people ask a question or take a picture and ask the search engine, ‘What is this?’” (traducción) «Los algoritmos de búsqueda por palabras clave simplemente fallan cuando las personas hacen una pregunta o toman una foto y le preguntan al motor de búsqueda: “¿Qué es esto?”» — Rangan Majumder, Group Program Manager, Bing (2019). Leer la fuente
• “Bing processes billions of documents every day, and the idea now is that we can represent these entries as vectors and search through this giant index of 100 billion-plus vectors to find the most related results in 5 milliseconds.” (traducción) «Bing procesa miles de millones de documentos cada día, y la idea ahora es que podemos representar estas entradas como vectores y buscar en este índice gigante de más de 100 mil millones de vectores para encontrar los resultados más relacionados en 5 milisegundos.» — Jeffrey Zhu, Program Manager, Bing (2019). Leer la fuente

OpenAI (proveedor de modelos de embedding, sobre métricas de distancia)

• “An embedding is a vector (list) of floating point numbers. The distance between two vectors measures their relatedness.” … “We recommend cosine similarity. The choice of distance function typically doesn’t matter much.” (traducción) «Un embedding es un vector (lista) de números de punto flotante. La distancia entre dos vectores mide su relación.» … «Recomendamos la similitud del coseno. La elección de la función de distancia normalmente no importa mucho.» Leer el documento

Los modelos mentales

1. El mapa. Cada fragmento de contenido es un punto en un mapa de alta dimensión, con significados similares colocados cerca unos de otros. La consulta también es un punto. La búsqueda vectorial devuelve los puntos más cercanos. Todo lo demás es una optimización de eso.

2. Objetivo vs. mecanismo. La búsqueda semántica es el objetivo (coincidir significado e intención). La búsqueda vectorial es un mecanismo para alcanzarlo (ANN sobre embeddings). Mantenlos separados y gran parte de la confusa escritura sobre búsqueda con IA se aclara.

3. El dial de recuperación-velocidad. Cada índice ANN intercambia recuperación por latencia, rendimiento y memoria. Exacto (plano) = recuperación perfecta, no escala. HNSW = recuperación casi perfecta, rápido, consume mucha memoria. No hay almuerzo gratis: hay un dial y tú eliges la configuración.

4. El híbrido es el predeterminado, no la excepción. La recuperación real = BM25 (recuperación por palabras clave, captura tokens exactos) + vector (recuperación semántica, captura significado) + reordenamiento (calidad de cross-encoder). Si imaginas la búsqueda en producción como “vector vs. palabra clave”, tienes la imagen equivocada.

5. La recuperación es una puerta, la generación viene después. En respuestas RAG/IA, la búsqueda vectorial decide el grupo de candidatos antes de que el modelo escriba algo. No está en el grupo → no puede citarse. Por eso la proximidad semántica, no el recuento de palabras clave en la página, es lo que controla la inclusión.

6. La unidad es el fragmento, no la página. Los vectores se calculan por pasaje. Una gran página hecha de pasajes vagos puede no coincidir con nada. Escribe fragmentos autocontenidos y centrados en el tema.

Búsqueda vectorial: hoja de referencia

Tipos de índice ANN

Métricas de distancia

Datos rápidos

• ANN es aproximado por diseño: intercambia una pizca de recuperación por una gran velocidad. La búsqueda vectorial de Google (antes “Vertex AI Vector Search”) reporta 95–98 % de recuperación.
• HNSW domina la producción (Weaviate, Pinecone, pgvector, Qdrant). Búsqueda logarítmica; consume mucha memoria.
• ScaNN es la biblioteca de código abierto de Google: el mismo backend que Image Search, YouTube, Google Play; aproximadamente 2x el QPS de la siguiente biblioteca con igual precisión.
• Para vectores normalizados, coseno = producto punto en la clasificación. La mayoría de los modelos modernos (incluido OpenAI) normalizan.
• Híbrido es el patrón real de producción: BM25 + vector, fusionados con RRF, luego reordenamiento con cross-encoder.
• Bases de datos vectoriales: Pinecone, Weaviate, Chroma, Qdrant, Milvus, pgvector (enumeradas, no clasificadas).
• DPR (2020) superó a BM25 por 9–19 % en recuperación de pasajes: el modelo de recuperación RAG. Bing ejecutó 100B+ índices vectoriales en 2019.

Resumen SEO: la proximidad vectorial es la puerta al grupo de candidatos de respuestas de IA: no hay perilla que girar; recompensa la profundidad temática y pasajes limpios y autocontenidos.

Ponte a prueba: Búsqueda vectorial

Recursos que valen tu tiempo

Relacionado en este sitio

• Embeddings — lee esto primero: de dónde vienen los vectores.
• Búsqueda semántica — el objetivo para el que la búsqueda vectorial es un método.
• RAG — la búsqueda vectorial es el paso de recuperación dentro de él.
• Fragmentación — los pasajes que se incrustan y se buscan.
• Cómo funciona la búsqueda — el pipeline más amplio de rastreo → indexación → recuperación → clasificación.

Documentos fundacionales

• Dense Passage Retrieval for Open-Domain QA (Karpukhin et al., EMNLP 2020) — el modelo de recuperación de doble codificador que superó a BM25 por 9–19 %.
• The Faiss library (2024) — visión general completa de los tipos de índice de FAISS.
• HNSW — el algoritmo detrás de la mayoría de las bases de datos vectoriales de producción (Malkov y Yashunin, 2018).

Bibliotecas de código abierto

• ScaNN — la biblioteca de búsqueda de similitudes de Google.
• FAISS — la búsqueda de similitudes a escala de mil millones de Facebook AI.
• DPR — implementación de referencia de Dense Passage Retrieval.

Explicaciones de proveedores (claras y bien ilustradas)

• Pinecone — What is Similarity Search?
• Weaviate — Vector Search Explained
• Elastic — What is vector search?

Desde la industria

• iPullRank — The Evolution of Information Retrieval: From Lexical to Neural — el análisis profundo de Mike King sobre cómo la búsqueda pasó de la recuperación léxica a la neuronal/vectorial; marco útil para el ángulo SEO.
• Search Engine Land — The shift to semantic SEO: What vectors mean for your strategy — mirada centrada en el profesional sobre cómo la recuperación basada en vectores cambia la estrategia de contenido.
• Search Engine Land — New Google TurboQuant algorithm improves vector search speed — cobertura del avance de compresión de Google en 2026 para la búsqueda del vecino más cercano.
• Search Engine Journal — Semantic Search With Vectors — explicación accesible que vincula la búsqueda de similitud vectorial con los resultados de SEO.
• IBM — What is vector search? — visión general sólida y neutral del proveedor sobre los fundamentos; una de las páginas de referencia mejor posicionadas sobre el tema.
• Oracle — What Is Vector Search? The Ultimate Guide — guía completa que cubre indexación, métricas de distancia e integración con bases de datos.
• Microsoft Bing Blog — Microsoft Open-Sources Industry-Leading Embedding Model (Harrier) — lanzamiento de abril de 2026 del modelo de incrustaciones Harrier de Microsoft, que ocupa el primer lugar en el benchmark multilingüe MTEB-v2; directamente relevante para el contexto de búsqueda vectorial de Bing.

Registro de cambios