Un embedding es la salida de un modelo: una frase se convierte en un vector de unos cientos o unos miles de números. El truco no está en los números, sino en que los vectores de frases con significado parecido caen cerca unos de otros — así la máquina encuentra el párrafo que buscabas aunque lo hayas preguntado con palabras completamente distintas.
Esta es la base de toda búsqueda por significado y del RAG. Y sale mucho más barato de lo que casi nadie espera: diez mil vectores ocupan unos 75 megabytes — caben en un móvil. La pregunta no es si tienes sitio, sino si el chunking que hay debajo de los embeddings es bueno.
El error más frecuente es creer que el embedding entiende el texto. No lo entiende: mide parecido estadístico. Por eso falla justo donde importa la palabra exacta: un número de referencia, una cita legal, un nombre propio raro. Ahí la búsqueda por palabras clave va mejor, y las dos juntas todavía mejor.
El mecanismo y los cuatro fallos típicos los desglosa Embedding y vector search, explicados con claridaduno por uno. Los conceptos directamente relacionados: vector database, chunking y hybrid search.