La clase de fallo por la que existe este artículo
Empecemos por la medición más fuerte. Un estudio revisado por pares construyó preguntas a partir de 24 relaciones de Wikidata — unas 24 mil preguntas sobre hechos cuyo sujeto es un nombre propio.
| Plantilla de pregunta | Búsqueda vectorial | Búsqueda por palabras clave | Diferencia |
|---|---|---|---|
| «¿Quién es hijo de [X]?» | 19,2 % | 82,9 % | 63,7 puntos |
| «¿Dónde nació [X]?» | 25,4 % | 75,2 % | 49,8 puntos |
| «¿Dónde estudió [X]?» | 26,4 % | 73,0 % | 46,6 puntos |
| Sobre el conjunto completo | 49,7 % | 71,2 % | 21,5 puntos |
Y ahora el contraste que hace esto realmente interesante. Los mismos dos métodos en otra serie de preguntas, más general:
| Método | Precisión |
|---|---|
| Búsqueda vectorial | 80,1 % |
| Búsqueda por palabras clave | 64,5 % |
Las mismas dos técnicas, dos tipos de pregunta, y el orden se da la vuelta por completo. En un sitio el vector va 15,6 puntos por delante, en el otro la palabra clave gana por 21,5.
Los autores lo explican en dos puntos:
- Sesgo de popularidad. La búsqueda vectorial rinde bien con las entidades frecuentes y se degrada deprisa con las raras. La búsqueda por palabras clave es indiferente a cuántas veces haya aparecido algo.
- Dependencia del patrón. El modelo vectorial tiene que haber visto el patrón de pregunta durante el entrenamiento. Cuando lo ajustaron expresamente al patrón «dónde nació», se puso al día — hasta el 73,9 % frente al 75,2 % del método por palabras clave.
Es decir: la búsqueda vectorial entiende el significado, pero no reconoce el nombre raro. El nombre de tu empresa, tu referencia de artículo, tu código de error y el nombre de tu cliente son exactamente eso. Cómo funciona la búsqueda por significado lo explica el texto sobre embeddings y búsqueda vectorial desde cero.
¿Qué aporta el hybrid search?
El hybrid search fusiona las dos listas de resultados. Las cifras vienen de la medición propia de un gran proveedor, sobre tres conjuntos de datos:
| Paso | Datos de clientes | Benchmark público | Conjunto multilingüe |
|---|---|---|---|
| palabra clave → vector | +3,2 | +4,4 | +8,7 |
| vector → hybrid | +4,6 | +3,4 | +0,5 |
| hybrid → re-ranking | +11,7 | +1,6 | +13,2 |
Aquí está la verdad incómoda del artículo, y hay que decirla: el hybrid por sí solo mejora poco. Tres a cinco puntos, y en el conjunto multilingüe prácticamente nada.
La gran ganancia la trae el re-ranking — sobre esos mismos datos, +11,7 y +13,2 puntos.
La medición escalonada de otro fabricante lo confirma, sobre la tasa de fallo del retrieval:
| Paso | Tasa de fallo | Cuánto elimina de lo que quedaba |
|---|---|---|
| Base | 5,7 % | — |
| + contexto añadido a los chunks | 3,7 % | — |
| + rama de palabras clave (hybrid) | 2,9 % | el 21,6 % de lo que quedaba |
| + re-ranking | 1,9 % | el 34,5 % de lo que quedaba |
Dos mediciones independientes, el mismo orden.
¿Entonces para qué sirve el hybrid? Porque los dos pasos resuelven problemas distintos. El hybrid consigue que el buen resultado entre entre los candidatos. El re-ranking, que suba arriba. Lo que ni siquiera entró entre los candidatos, el re-ranking no lo puede recuperar — y esa es exactamente la situación con las preguntas de nombre propio de antes.
El re-ranking: por qué funciona y por qué es caro
La diferencia en una frase: en la búsqueda, la pregunta y el documento reciben cada uno su propio vector, y los dos se comparan después. En el re-ranking, la pregunta y el documento entran juntos en el modelo, que devuelve una única puntuación.
Eso es mucho más preciso — y mucho más lento. El ejemplo de la documentación oficial lo muestra perfectamente: comparar diez mil frases obliga a puntuar unos 50 millones de pares.
| Método | Tiempo |
|---|---|
| Puntuación conjunta | ~65 horas |
| Vectores separados | ~5 segundos |
Unas cuarenta y siete mil veces de diferencia. Por eso todo sistema serio es de dos etapas: el método rápido trae los 100-150 mejores candidatos, y solo esos los vuelve a puntuar el método lento y preciso.
Y hay una clase de fallo que solo esto resuelve. En el estudio que medía la negación, los vectores separados lograron un 11,1 % y la puntuación conjunta un 50,6 % — cuatro veces y media de diferencia. Si tu pregunta es «en qué contrato no hay cláusula de no competencia», la búsqueda vectorial a secas responde prácticamente a ciegas.
¿Dónde NO mejora el hybrid?
Este capítulo es el más importante, porque tres casos documentados muestran que el hybrid search no siempre ayuda — y puede empeorar las cosas.
1. Si tus usuarios teclean palabras clave. De la misma medición del proveedor, la fila de «consulta por palabras clave»:
| Palabra clave | Vector | Hybrid | Hybrid + re-ranking |
|---|---|---|---|
| 79,2 | 11,7 | 61,0 | 66,9 |
El hybrid queda 18,2 puntos por debajo de la búsqueda por palabras clave a secas — y ni con el re-ranking la alcanza. El motivo se entiende: aquí la rama vectorial rinde un 11,7, o sea que añade ruido, y la fusión deja entrar ese ruido en un buen ranking léxico.
En la fila de «fragmento exacto» de esa misma tabla: palabra clave 51,1, hybrid 51,0. No aportó nada.
2. Si la ponderación de la fusión está mal. Un estudio revisado por pares sobre un conjunto de datos difícil:
| Ajuste | Resultado |
|---|---|
| Solo palabras clave | 0,682 |
| Fusión por defecto | 0,675 |
| Fusión ajustada en otro conjunto | 0,621 |
| Fusión bien ponderada | 0,699 |
La fusión por defecto es peor que la búsqueda por palabras clave a secas. Y con parámetros ajustados en otra parte, seis puntos peor. Como lo formulan los autores: la fusión ajustada generaliza mal a otros conjuntos de datos.
3. Con datos multilingües. En la tabla de antes, el hybrid dio +0,5 puntos en el conjunto multilingüe. Toda la mejora vino del re-ranking.
(Esto sería especialmente interesante visto desde el húngaro, pero no he encontrado ninguna medición referida al húngaro — ni para la parte húngara del conjunto multilingüe ni para la lematización húngara. A nivel conceptual solo cabe decir que la rama de palabras clave es sensible a la lematización y que el húngaro es una lengua aglutinante — pero eso es una expectativa, no una medición.)
El orden correcto
De aquí se sigue directamente una secuencia de decisión que difiere de lo que dice la mayoría de las guías:
1. MIRA QUÉ ESCRIBEN EN REALIDAD
Es el único paso que no se puede saltar.
Leer cien consultas reales.
2. SI SON PALABRAS CLAVE (referencia, código, nombre)
-> Búsqueda POR PALABRAS CLAVE, con re-ranking.
Aquí el hybrid EMPEORA de forma medible.
3. SI SON CONCEPTUALES ("cómo presento la baja")
-> Búsqueda VECTORIAL + re-ranking.
4. SI SON MIXTAS
-> HYBRID + re-ranking. Y MÍDELO, porque con
tus datos puede que no mejore nada.
5. SI SOLO TE DA PARA UNA COSA
-> RE-RANKING. Según las mediciones, es lo que
da la mejora mayor.
SALVO si tu clase de fallo es el identificador
exacto: eso el re-ranking no lo recupera si ni
siquiera entró entre los candidatos.
La excepción del quinto punto es el matiz más importante de todo esto. El re-ranking solo puede subir lo que ya está en la lista. Si al buscar una referencia el documento bueno cayó más allá del puesto cien, de nada sirve el mejor rankeador.
¿Cuánto vale la fusión en sí?
Un estudio revisado por pares comparó los métodos de fusión sobre ocho conjuntos de datos. De ahí se leen dos cosas:
La primera: la búsqueda por palabras clave no está obsoleta. En dos conjuntos fue mejor que la vectorial — en uno, 0,682 frente a 0,520; en el otro, 0,689 frente a 0,558.
La segunda: la fusión siempre mejora algo, pero no mucho. En el primer conjunto el mejor método individual es 0,682 y la mejor fusión 0,699 — más 1,7 puntos. En cambio, el techo teórico de una fusión perfecta estaría en 0,767. O sea, en la elección de la función de fusión todavía hay algo que ganar — si tienes capacidad para medir.
Malentendidos habituales
- «El hybrid search es la mayor mejora en un sistema RAG.» Las mediciones no lo respaldan: en tres de cada cuatro comparaciones el re-ranking aportó más. El hybrid resuelve una clase de fallo concreta — pero esa la resuelve de forma espectacular.
- «La búsqueda por palabras clave está obsoleta.» Ganó a la vectorial en dos mediciones revisadas por pares, por 21,5 puntos en preguntas de nombre propio — y eso que es décadas más antigua.
- «Activo el hybrid y va a ir mejor.» Con consultas por palabras clave, en la medición empeoró 18 puntos. Y una mala ponderación es peor que no tener fusión.
- «Me llevo los parámetros de fusión que funcionaron en otro sitio.» Está demostrado que no generalizan: el ajuste importado cayó seis puntos por debajo de la búsqueda por palabras clave a secas en otro conjunto.
- «El re-ranking lo resuelve todo.» Solo puede subir lo que entró entre los candidatos. Lo que quedó fuera, se perdió.
- «El re-ranking es barato.» Es una operación unas cuarenta y siete mil veces más lenta que comparar vectores. Por eso se ejecuta solo sobre los 100-150 mejores candidatos.
Qué llevarte
La búsqueda vectorial entiende el significado, pero no el nombre raro ni el identificador exacto. No es un fallo que se arregle ajustando, es la naturaleza del método — por eso existe el hybrid search.
Pero el hybrid no es la mayor ganancia. Dos mediciones independientes de fabricante dieron el mismo orden: el hybrid añade unos pocos puntos y el re-ranking más de diez en los datos del fabricante — mientras que los estudios revisados por pares confirman el beneficio modesto de la fusión. Si vas a construir una sola cosa, construye esa.
Y lo más útil que puedes hacer hoy no es tecnológico: lee cien consultas reales de tu sistema. Si la mayoría son referencias y códigos de error, activar el hybrid search va a empeorar las cosas — y eso lo averiguas en una mañana, no en un trimestre. El lado del troceado lo cubre el artículo sobre chunking entero, y la medición, el post sobre la evaluación de un sistema RAG paso a paso.